数据集生成：

 

- 使用  make_classification  函数生成包含1000个样本的数据集，设置20个特征，其中10个是有信息的特征，类别数为2，通过设置  random_state = 42  保证每次运行生成的数据相同。

 

数据划分：

 

- 使用  train_test_split  函数将生成的数据集划分为训练集和测试集，测试集占比为20%，同样通过  random_state = 42  保证划分的一致性。

 

SVM模型：

 

- 初始化  SVC  类，这里使用线性核函数  kernel='linear' 。还有其他核函数可供选择，如  'rbf' （径向基函数核）、 'poly' （多项式核）等，不同的核函数适用于不同的数据分布。

 

- 使用  fit  方法将模型拟合到训练集数据  X_train  和对应的标签  y_train  上。

 

预测与评估：

 

- 使用训练好的模型对测试集  X_test  进行预测，得到预测标签  y_pred 。

 

- 使用  accuracy_score  函数计算预测准确率，评估模型在测试集上的性能。

import numpy as np

from sklearn.datasets import make_classification

from sklearn.model_selection import train_test_split

from sklearn.svm import SVC

from sklearn.metrics import accuracy_score

 

 

# 生成自定义数据集

X, y = make_classification(n_samples=1000, n_features=20, n_informative=10, n_classes=2, random_state=42)

 

# 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

 

# 初始化并拟合SVM模型

svm_classifier = SVC(kernel='linear')

svm_classifier.fit(X_train, y_train)

 

# 预测

y_pred = svm_classifier.predict(X_test)

 

# 计算准确率

accuracy = accuracy_score(y_test, y_pred)

print(f"Accuracy of SVM classifier: {accuracy}")