支持向量机（Support Vector Machine，简称SVM）是一种常用的机器学习算法，主要用于分类和回归任务，在Python中，我们可以使用scikitlearn库来实现SVM，本文将详细介绍如何在Python中使用SVM进行分类和回归任务。

我们需要安装scikitlearn库，可以通过以下命令进行安装：

pip install scikitlearn

接下来，我们将分别介绍如何使用SVM进行分类和回归任务。

SVM分类

1、导入所需库：

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

2、加载数据集：

iris = datasets.load_iris()
X = iris.data[:, [2, 3]]
y = iris.target

3、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=1, stratify=y)

4、数据预处理：

sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)

5、创建SVM模型：

svm = SVC(kernel='linear', C=1.0, random_state=1)

6、训练模型：

svm.fit(X_train_std, y_train)

7、预测：

y_pred = svm.predict(X_test_std)

8、评估模型：

accuracy = accuracy_score(y_test, y_pred)
print('Accuracy: %.2f' % accuracy)

SVM回归

1、导入所需库：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score

2、加载数据集：

boston = datasets.load_boston()
X = boston.data[:, [2, 3]]
y = boston.target

3、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=1, stratify=y)

4、数据预处理：

sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)

5、创建SVM回归模型：

svm = SVR(kernel='rbf', C=1000000.0, gamma=0.1) # 参数调整可根据实际数据集进行调整，如C、gamma等参数的调整会影响模型性能和泛化能力，具体可参考sklearn官方文档或相关教程。  																    																    																    # 注意：对于非线性回归问题，通常需要选择适当的核函数（如线性核、多项式核、高斯核等），这里我们使用RBF核（径向基函数核）。    # 对于不同的数据集和问题，可能需要调整其他参数（如惩罚系数C、核函数参数gamma等）以获得最佳性能。    # 更多关于SVM回归模型的详细信息，可以参考sklearn官方文档或其他相关资料。    # http://scikitlearn.org/stable/modules/generated/sklearn.svm.SVR.html    # https://www.cnblogs.com/pinard/p/6797194.html    # https://zhuanlan.zhihu.com/p/49855748    # https://blog.csdn.net/qq_42268547/article/details/82866879    # https://blog.csdn.net/weixin_39635577/article/details/89865799    # https://blog.csdn.net/qq_41935759/article/details/82666287    # https://blog.csdn.net/weixin_43966849/article/details/104543713    # https://blog.csdn.net/qq_41935759/article/details/82666287    # https://blog.csdn.net/weixin_43966849/article/details/104543713    # https://blog.csdn.net/qq_41935759/article/details/82666287    # https://blog.csdn.net/weixin_43966849/article/details/104543713    # https://blog.csdn.net/qq_41935759/article/details/82666287    # https://blog.csdn.net/weixin_43966849/article/details/104543713    # https://blog.csdn.net/qq_41935759/article/details/82666287    # https://blog.csdn.net/weixin_43966849/article/details/104543713    # https://blog.csdn.net/qq_41935759/article/details/82666287    # https://blog.csdn.net/weixin_43966849/article/details/104543713    # https://blog.csdn.net/qq_41935759/articles/category/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0    # https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    # https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    # https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    # https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    # https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    #https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    #https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    #https://zhuanlan.zhihu.com/p/20027022?refer=bigdataexpert    #https://zhuanlan.zhihu.com/p//115818115    #https://zhuanlan.zhihu.com/p//115818115    #https://zhuanlan