使用svm算法实现代码

SVM (支持向量机) 是一种监督学习模型，主要用于分类和回归分析。以下是使用Python的scikit-learn库实现线性SVM的基本步骤：

1. 导入所需库：

from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import numpy as np

2. 准备数据集（假设有一个名为data的数据矩阵，目标变量是y）：

X = data[:, :-1] # 特征
y = data[:, -1]   # 目标值

3. 数据预处理（归一化或标准化，这里使用StandardScaler）：

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

4. 划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

5. 创建并训练SVM模型（线性核）：

model = svm.LinearSVC()
model.fit(X_train, y_train)

6. 预测测试集：

y_pred = model.predict(X_test)

7. 评估模型性能（例如，计算准确率）：

accuracy = model.score(X_test, y_test)
print(f"Accuracy: {accuracy}")