：采用不同的 SVM 核函数对多种类型数据集进行二分类。 （1）使用 scikit-learn 中提供的样本生成器 make_blobs、make_classification、make_moons、 make_circles 生成一系列线性或非线性可分的二类别数据（数据量任取）。样本生成器的使用参考 官网：https://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets建模：分别将 SVM 中四种核函数（线性核、多项式核、高斯核、S 形核）用于上述四种 数据集。 提示：对于每一种核函数，选择最适合的核参数（如 RBF 核中 gamma、多项式核中 degree 等）。 可通过超参数曲线帮助选择超参数。 （3）可视化：通过散点图可视化数据样本，并画出 SVM 模型的决策边界。 （4）模型评价：分类准确率如何选择最优超参数？ 为每种模型选择适合的核函数及核参数，参数寻优方式自选。

好的，您的问题是如何采用不同的 SVM 核函数对多种类型数据集进行二分类，包括建模、可视化和模型评价。

首先我们需要使用 scikit-learn 中的样本生成器生成一系列线性或非线性可分的二类别数据，可以使用 make_blobs、make_classification、make_moons、make_circles 函数。然后，我们将 SVM 中四种核函数（线性核、多项式核、高斯核、S 形核）用于上述四种数据集，并选择最适合的核参数。可以通过超参数曲线帮助选择超参数。

接下来，我们需要通过散点图可视化数据样本，并画出 SVM 模型的决策边界。最后，我们可以使用分类准确率来选择最优超参数，并为每种模型选择适合的核函数及核参数。参数寻优方式可以自选。

以下是代码示例：

from sklearn.datasets import make_blobs, make_classification, make_moons, make_circles
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import numpy as np

# 生成样本数据
X, y = make_blobs(n_samples=1000, centers=2, random_state=42) # 可以使用其他生成器
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义核函数和超参数
kernels = ['linear', 'poly', 'rbf', 'sigmoid']
params = {'linear': 0.1, 'poly': {'degree': 2, 'gamma': 1}, 'rbf': 1, 'sigmoid': 0.1}

# 建模、可视化和模型评价
for kernel in kernels:
    if kernel == 'poly':
        clf = SVC(kernel=kernel, degree=params[kernel]['degree'], gamma=params[kernel]['gamma'])
    else:
        clf = SVC(kernel=kernel, gamma=params[kernel])
    clf.fit(X_train, y_train)
    score = clf.score(X_test, y_test)
    print('{} kernel classification accuracy: {:.4f}'.format(kernel, score))
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr', alpha=0.5)
    ax = plt.gca()
    xlim = ax.get_xlim()
    ylim = ax.get_ylim()
    xx, yy = np.meshgrid(np.linspace(xlim[0], xlim[1], 100),
                         np.linspace(ylim[0], ylim[1], 100))
    Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    ax.contour(xx, yy, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
               linestyles=['--', '-', '--'])
    ax.set_xlim(xlim)
    ax.set_ylim(ylim)
    plt.title('{} kernel'.format(kernel))
    plt.show()

这里我们使用 make_blobs 函数生成样本数据，使用 train_test_split 函数将数据集分为训练集和测试集。然后，我们定义了四个核函数和对应的超参数，并使用 for 循环遍历每个核函数，建立 SVM 模型并进行模型评价。最后，将数据样本和决策边界可视化。