文章目录

01 什么是SVM算法

支持向量机（SVM）是一种**最大化“决策边界间隔”**的监督学习算法，既能做线性/非线性分类，也能做回归，核心思想是“让最近样本离边界最远”。

线性可分：SVM 在原空间找一条（或一个超平面），使正负类中离平面最近的点（支持向量）到平面的距离（间隔）最大化。
线性不可分：通过核函数把数据映射到高维甚至无限维空间，使在新空间里可以再用“最大间隔”思想。
正则化：引入惩罚参数 C 控制间隔与误分类的权衡，C 越大越不容许出错（可能过拟合），C 越小间隔越大（容忍噪声）。

02 基于SVM算法的鸢尾花分类代码分析

用 SVM（线性核）对鸢尾花数据集做三分类的完整流程，关键步骤浓缩如下：
载入数据：直接调 load_iris()，4 个特征、3 个类别。
切三份：先按 75/25 分成训练+测试；再把训练集二次切分 75/25 得训练/验证两份，方便调 C。
建模：用 SVC(kernel=“linear”, C=0.4)——线性核、正则强度 0.4。
训练→验证→测试：输出验证集和测试集的 accuracy，并打印 classification_report 看精确率、召回率、F1。

03 基于SVM算法的鸢尾花分类源码

提供了Python的实现代码，使得用户可以根据自己的需求进行调整和应用。
Python代码下载地址