支持向量机（Support Vector Machine, SVM）是一种常用的分类算法，它可以用于解决二分类和多分类问题。在Python中，你可以使用Sklearn库来实现SVM。下面是一个简单的例子，展示了如何使用Sklearn进行SVM分类。
# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from sklearn import datasets
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 创建SVM模型
svm_model = SVC(kernel='linear') # 使用线性核
# 训练模型
svm_model.fit(X_train, y_train)
# 使用训练好的模型进行预测
y_pred = svm_model.predict(X_test)
# 计算并打印准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy * 100:.2f}%')
这个例子中，我们同样使用了鸢尾花（Iris）数据集。SVM使用核函数来将输入特征映射到高维空间，以便可以找到一个超平面来分隔数据。在这个例子中，我们使用了线性核（kernel='linear'），但在实际应用中，你也可以使用其他类型的核，如多项式核、径向基函数（RBF）核等。
代码步骤如下：
- 导入必要的库。
- 加载数据集。
- 将数据集分为训练集和测试集。
- 创建一个SVM模型，选择线性核。
- 使用训练集数据训练模型。
- 用训练好的模型对测试集进行预测。
- 计算预测结果的正确率，并打印出来。
请注意，SVM的参数有很多，如C（正则化参数）、gamma（用于RBF核的参数）、degree（用于多项式核的参数）等，你可能需要根据具体问题调整这些参数以获得最佳性能。