R7-2 支持向量机分类：生成圆形数据集并评估模型精度

本示例演示如何生成多个圆形数据类别，每个类别包含10个样本点，并使用sklearn库的SVM模型进行分类。

1. 数据集生成

类别数量： 用户输入数据类别数量，例如 2。
数据分布： 第c类数据位于半径为3c的圆上，类别编号为类别数字-1（1到10类，对应0到9）。
坐标计算： 每个样本点的横纵坐标由 cos 和 sin 函数计算，其中弧度为所在类别中的序号的3倍。例如：
- 类别为2的数据中，第4个点，横坐标是3 * 2 * cos(4 * 3)，纵坐标 3 * 2 * sin(4 * 3)，类别编号为 2 - 1 = 1。
- 类别为4的数据中，第5个点，横坐标是3 * 4 * cos(5 * 3)，纵坐标 3 * 4 * sin(5 * 3)，类别编号为 4 - 1 = 3。
数据排序： 不同类别的数据交替出现，例如：
- 第一类数据第一个点，第二类数据第一个点，最后一类数据第一个点，然后第一类数据第二个点，第二类数据第二个点...直到最后一类数据第十个点。

2. 数据集划分

使用 train_test_split 函数将数据集划分为训练集和测试集，训练数据集比例为 0.5， random_state = 1。

3. SVM模型训练和评估

使用 sklearn 的支持向量机，核函数为 'rbf'，gamma系数为 20，decision_function_shape 策略为 'ovo' 对训练集进行拟合。
使用 score() 函数分别计算训练集和测试集的精度，并以两位小数的形式显示。

输入样例：

输出样例：

accu of model for train set is 0.70
accu of model for test set is 0.30

代码示例：

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

# 获取用户输入的类别数量
num_classes = int(input())

# 生成数据集
X = []
Y = []
for c in range(1, num_classes + 1):
    for i in range(1, 11):
        x = 3 * c * np.cos(i * 3)
        y = 3 * c * np.sin(i * 3)
        X.append([x, y])
        Y.append(c - 1)
X = np.array(X)
Y = np.array(Y)

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.5, random_state=1)

# 训练SVM模型
model = SVC(kernel='rbf', gamma=20, decision_function_shape='ovo')
model.fit(X_train, y_train)

# 评估模型精度
train_accu = model.score(X_train, y_train)
print('accu of model for train set is {:.2f}'.format(train_accu))
test_accu = model.score(X_test, y_test)
print('accu of model for test set is {:.2f}'.format(test_accu))