Python 实现鸢尾花数据集分类：支持向量机算法

下面是在 Python 中使用支持向量机算法实现鸢尾花数据集分类任务的示例代码：

import pandas as pd
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
iris_data = pd.read_csv('iris.csv')

# 将数据集划分为特征和目标变量
X = iris_data.drop('species', axis=1)
y = iris_data['species']

# 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)

# 创建支持向量机模型
svm = SVC()

# 在训练集上训练支持向量机模型
svm.fit(X_train, y_train)

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

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

在这个示例中，我们首先加载鸢尾花数据集，并将其划分为特征和目标变量。然后，我们使用train_test_split函数将数据集划分为训练集和测试集。接下来，我们创建一个支持向量机模型，并使用fit方法在训练集上训练模型。最后，我们使用模型对测试集进行预测，并使用accuracy_score函数计算准确率。