1、导入支持向量机模型，划分数据集

from sklearn import datasets
from sklearn import svmiris=datasets.load_iris()
iris_x=iris.data
iris_y=iris.target
indices = np.random.permutation(len(iris_x))
iris_x_train = iris_x[indices[:-10]]
iris_y_train = iris_y[indices[:-10]]
iris_x_test = iris_x[indices[-10:]]
iris_y_test = iris_y[indices[-10:]]

2、训练模型

clf = svm.SVC(kernel = 'linear')
clf.fit(iris_x_train,iris_y_train)

线性核函数 (‘linear’)：
应用场景：适用于线性可分的情况，当数据集在特征空间中是线性可分布的时候，线性核函数是首选。
示例应用：文本分类、简单图像分类等。
多项式核函数 (‘poly’)：
应用场景：适用于非线性但仍然具有明显分界的情况，可通过调整多项式的次数来控制模型的复杂度。
示例应用：人脸识别、手写数字识别等。 径向基函数
(RBF) 核函数 (‘rbf’)：
应用场景：适用于非线性且数据分布复杂的情况，RBF 核函数具有很强的拟合能力，能够处理各种形状的数据分布。
示例应用：生物信息学、金融风险管理等。
Sigmoid 核函数 (‘sigmoid’)：
应用场景：适用于二元分类问题，但一般情况下不推荐使用，因为它对模型的影响较小。
示例应用：简单的二分类问题。

3、为测试数据集分类

iris_y_predict = clf.predict(iris_x_test)
score=clf.score(iris_x_test,iris_y_test,sample_weight=None)print('iris_y_predict = ')
print(iris_y_predict)
print('iris_y_test = ')
print(iris_y_test)
print('Accuracy:',score)

iris_y_predict = 
[1 2 1 0 0 0 2 1 2 0]
iris_y_test = 
[1 1 1 0 0 0 2 1 2 0]
Accuracy: 0.9

算法的优点
1、有严格的数学理论支持，可解释性强。 SVM 所获得的结果是全局最优解而不是局部最优解，很多算法为了降低复杂性只给出了一个局部最优解，比如我们前面提到的 “决策树算法”，而 SVM 的最优化求解所获得的一定是全局最优解。
2、算法的鲁棒性很好。 由于计算主要依赖于关键的支持向量，所以只要支持向量没有变化，样本发生一些变化对算法没有什么影响。

算法的缺点
1、训练所需要的资源很大。 由于运算量与存储量都很高，SVM 训练的开销也是巨大的，因此支持向量机只适合比较小的样本量，比如几千条数据，当样本量太大时训练资源开销过大。
2、只能处理二分类问题。 经典的 SVM 算法十分简洁，正如上面的例子一样，画一条线分割两个类别，如果需要处理多类别的分类问题，需要使用一些组合手段。
3、模型预测时，预测时间与支持向量的个数成正比。 当支持向量的数量较大时，预测计算复杂度较
高。因此支持向量机目前只适合小批量样本的任务，无法适应百万甚至上亿样本的任务。