支持向量机(Support Vector Machine,SVM)是一种强大的机器学习算法,广泛应用于分类和回归问题。本教程将介绍SVM的基本概念、原理以及如何使用SVM进行数据分类。

SVM原理

SVM的核心思想是找到一个最佳的超平面,将不同类别的数据点分开。这个超平面不仅能够正确分类数据,而且距离两个类别最近的数据点(支持向量)之间的距离最大。

使用SVM进行分类

以下是一个使用SVM进行分类的简单示例:

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

# 加载数据集
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=0.3, random_state=42)

# 创建SVM分类器
clf = SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 评估模型
score = clf.score(X_test, y_test)
print(f"模型准确率:{score:.2f}")

扩展阅读

更多关于SVM的内容,您可以参考以下链接:

图片展示

SVM原理图解