svm二分类python代码

当然！这里是一个基本的 SVM 二分类的 Python 代码示例：

# 导入所需的库
from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 假设你已经有了训练数据 X 和对应的标签 y
# X 是一个二维数组，每一行代表一个样本的特征
# y 是一个一维数组，每个元素代表对应样本的标签

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建一个 SVM 模型
model = svm.SVC()

# 使用训练数据来训练模型
model.fit(X_train, y_train)

# 使用训练好的模型对测试集进行预测
y_pred = model.predict(X_test)

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)

# 打印准确率
print("Accuracy:", accuracy)

以上代码使用 `scikit-learn` 库中的 `SVC` 类来实现 SVM 模型的训练和预测。首先，我们将数据集分成训练集和测试集，然后创建一个 SVM 模型对象。接下来，使用训练数据来训练模型，并使用测试集来对模型进行评估，计算模型的准确率。

请注意，这只是一个基本的示例。在实际使用中，你可能需要根据你的数据集和问题进行一些调整和优化。