Python 线性核 SVM 训练：鸢尾花数据集示例

本文提供一个示例代码，展示如何使用 Python 和 scikit-learn 库，用鸢尾花数据集训练一个线性核的 SVM 模型。

首先，我们需要导入数据集，并将其分为训练集和测试集。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

然后，我们可以使用 scikit-learn 库中的 SVC 类来构建一个线性核的 SVM，设置 kernel 参数为'linear' 即可。

from sklearn.svm import SVC

svm = SVC(kernel='linear')

接着，我们可以使用训练集来训练这个 SVM 模型。

svm.fit(X_train, y_train)

最后，我们可以使用测试集来评估模型的性能。

from sklearn.metrics import accuracy_score

y_pred = svm.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

完整代码如下：

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

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

svm = SVC(kernel='linear')
svm.fit(X_train, y_train)

y_pred = svm.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)