Python实现鸢尾花数据集分类：支持向量机算法

在 Python 中，可以使用 scikit-learn 库来实现支持向量机算法在鸢尾花数据集上的分类任务。下面是一个示例代码：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放（标准化）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建SVM分类器
svm = SVC(kernel='linear')

# 在训练集上训练模型
svm.fit(X_train, y_train)

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

# 计算分类准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

在上面的代码中，首先加载鸢尾花数据集，并将数据划分为训练集和测试集。然后使用 StandardScaler 对特征进行标准化处理。接下来，创建一个 SVC 对象（支持向量机分类器）并指定核函数为线性。然后，在训练集上训练模型，并在测试集上进行预测。最后，使用 accuracy_score 函数计算分类准确率，并输出结果。