机器学习与支持向量机

下面是一个使用支持向量机（SVM）进行二分类的代码示例：

from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 假设你的数据集包含特征和标签
features = [[0, 0], [1, 1], [1, 0], [0, 1]]
labels = [0, 0, 1, 1]

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

# 创建支持向量机分类器
clf = svm.SVC()

# 拟合训练数据
clf.fit(X_train, y_train)

# 使用训练好的模型进行预测
y_pred = clf.predict(X_test)

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

这个示例使用sklearn库中的svm模块来实现支持向量机分类器。首先，数据集被划分为训练集和测试集，然后使用svm.SVC()创建一个支持向量机分类器。接下来，使用训练数据对分类器进行拟合(clf.fit(X_train, y_train))。最后，使用训练好的模型对测试集进行预测，并计算预测结果的准确率。

注意：这只是一个简单的示例，实际使用中可能需要对数据进行预处理、调整模型参数等。