支持向量机（SVM）如何用代码实现

支持向量机（Support Vector Machine，SVM）是一种用于分类和回归任务的机器学习算法，其目标是找到一个超平面，将不同类别的数据分开。以下是使用Python中的sklearn库实现支持向量机算法的基本示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集作为示例
data = load_iris()
X = data.data
y = data.target

# 将数据集划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)

# 创建支持向量机分类器
svm_classifier = SVC()

# 训练模型
svm_classifier.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = svm_classifier.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用了sklearn库中的SVC类来实现支持向量机分类器。我们加载了鸢尾花数据集作为示例数据，并将数据集分为训练集和测试集。然后，我们创建了一个支持向量机分类器并对其进行训练，最后在测试集上进行预测并计算准确率。

支持向量机还有其他参数可以调整，如kernel（核函数，用于在高维空间中进行分类）和C（正则化参数）。在实际应用中，你可以根据数据集和任务的需求来选择适当的参数。