支持向量机python代码

支持向量机（Support Vector Machine，简称SVM）是一种常用的机器学习算法，用于分类和回归问题。它的基本思想是找到一个最优的超平面，将不同类别的样本分开，并且使得离超平面最近的样本点到超平面的距离最大化。在Python中，我们可以使用scikit-learn库来实现支持向量机算法。

我们需要导入所需的库和数据集。在这个示例中，我们使用scikit-learn自带的鸢尾花数据集作为示例数据。代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们可以创建一个支持向量机模型，并使用训练集进行训练。代码如下：

# 创建支持向量机模型
svm = SVC()
# 使用训练集进行训练
svm.fit(X_train, y_train)

训练完成后，我们可以使用测试集来评估模型的性能。这里我们使用准确率（accuracy）作为评估指标。代码如下：

# 使用测试集进行预测
y_pred = svm.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

以上就是一个简单的支持向量机分类器的实现过程。在实际应用中，我们可以根据具体问题选择不同的核函数（kernel）来构建支持向量机模型。常用的核函数包括线性核函数（linear）、多项式核函数（poly）、高斯核函数（rbf）等。我们可以通过设置SVC类的kernel参数来选择不同的核函数，默认为高斯核函数。例如，如果我们想使用线性核函数，可以将创建模型的代码修改为：

# 创建支持向量机模型（使用线性核函数）
svm = SVC(kernel='linear')

支持向量机还可以用于解决回归问题。在回归问题中，我们需要预测连续型的目标变量。与分类问题类似，我们可以使用scikit-learn库中的SVR类来构建支持向量机回归模型。使用方法与分类问题类似，只需将SVC类替换为SVR类即可。

总结一下，支持向量机是一种常用的机器学习算法，用于分类和回归问题。在Python中，我们可以使用scikit-learn库来实现支持向量机算法。通过导入所需的库和数据集，创建支持向量机模型，使用训练集进行训练，然后使用测试集进行预测和评估，我们可以完成一个支持向量机分类器的实现。我们还可以根据具体问题选择不同的核函数来构建模型，并且支持向量机还可以应用于回归问题。