Scikit-learn中怎么实现支持向量机

在Scikit-learn中，支持向量机模型可以通过svm模块中的SVC类来实现。下面是一个简单的示例代码：

from sklearn import svmfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score# 加载示例数据集iris = datasets.load_iris()X = iris.datay = iris.target# 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)# 创建支持向量机模型model = svm.SVC()# 在训练集上训练模型model.fit(X_train, y_train)# 在测试集上进行预测y_pred = model.predict(X_test)# 计算准确率accuracy = accuracy_score(y_test, y_pred)print("准确率：", accuracy)

在上面的示例中，首先加载了一个示例数据集（鸢尾花数据集），然后将数据集分为训练集和测试集。接着创建了一个支持向量机模型，并在训练集上训练模型。最后在测试集上进行预测并计算准确率。

除了SVC类，Scikit-learn还提供了其他支持向量机模型的实现，例如NuSVC、LinearSVC等，可以根据具体需求选择合适的模型。