Python 支持向量机 (SVM) 模型构建与评估

以下是使用 Python 构建支持向量机 (SVM) 模型的代码示例，该示例包括对用户输入值的合法性判断、模型训练和评估。

def build_clf3():
    global data, clf,X_train,X_test,Y_train,Y_test
    # 对用户输入值的合法性判断
    if data is None:
        messagebox.showerror('错误', '请先读取数据！')
        return
    
    # 创建支持向量机模型
    clf = svm.SVC(kernel='linear', C=1)

    # 训练模型
    clf.fit(X_train, Y_train)
    Y_pred = clf.predict(X_test)
    accuracy = accuracy_score(Y_test, Y_pred)
    precision = precision_score(Y_test, Y_pred, average='macro')
    recall = recall_score(Y_test, Y_pred, average='macro')
    f1 = f1_score(Y_test, Y_pred, average='macro')
    messagebox.showinfo('提示', f'模型构建成功！\n模型预测准确率：{accuracy:.2f}\n模型精确度：{precision:.2f}\n模型召回率：{recall:.2f}\n模型F1值：{f1:.2f}')

# 需要导入以下库：

```python
from sklearn import svm
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from tkinter import messagebox

该代码示例使用 svm.SVC() 创建了一个线性 SVM 模型，并使用 fit() 方法进行训练。然后，使用测试集评估模型性能，并使用 accuracy_score(), precision_score(), recall_score() 和 f1_score() 函数计算准确率、精确度、召回率和 F1 值。最后，使用 messagebox.showinfo() 将模型信息显示给用户。