### 使用支持向量机 (SVM) 进行分类的 Python 示例 以下是基于 `scikit-learn` 的 SVM 分类器实现的一个简单例子： ```python from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC import numpy as np # 加载数据集 iris = datasets.load_iris() X = iris.data[:, :2] # 只取前两个特征以便可视化 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) # 数据标准化处理 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 创建并训练 SVM 模型 svm_model = SVC(kernel='linear', C=1.0, random_state=42) # 使用线性核函数 svm_model.fit(X_train_scaled, y_train) # 预测 predictions = svm_model.predict(X_test_scaled) # 输出预测结果和准确率 accuracy = np.mean(predictions == y_test) print(f"SVM Accuracy: {accuracy * 100:.2f}%") ``` 上述代码展示了如何加载 Iris 数据集，划分训练集与测试集，并通过标准缩放器对数据进行预处理。接着创建了一个带有线性核函数的支持向量机模型[^5]。 如果希望尝试不同的核函数（如 RBF 或多项式），可以修改 `kernel` 参数。例如： ```python svm_model = SVC(kernel='rbf', gamma='scale', C=1.0, random_state=42) ``` 对于更复杂的超参数调优需求，可利用网格搜索方法优化 SVM 性能。例如： ```python from sklearn.model_selection import GridSearchCV param_grid = {'C': [0.1, 1, 10], 'gamma': [1, 0.1, 0.01], 'kernel': ['rbf']} grid_search = GridSearchCV(SVC(), param_grid, refit=True, verbose=2, cv=5) grid_search.fit(X_train_scaled, y_train) best_params = grid_search.best_params_ print(f"Best Parameters: {best_params}") ``` 此部分实现了针对不同超参数组合的最佳性能评估过程[^1]。 #### 关于错误分析 在实际应用中，可能还需要计算训练误差和测试误差的标准差来进一步了解模型表现的一致性和稳定性。这可以通过 NumPy 提供的功能轻松完成[^2]。 ---