支持向量机（Support Vector Machine，简称 SVM）是一种用于解决分类和回归问题的机器学习算法。在 Python 中，我们可以使用 scikit-learn 库来实现支持向量机。以下是一个简单的示例：

2. 准备数据集：

python
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

3. 划分训练集和测试集：

python
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. 初始化参数：

python
from sklearn.svm import SVC

创建支持向量机实例

svm = SVC(kernel=’linear’, C=1.0, probability=True)

5. 训练模型：

python
svm.fit(X_train, y_train)

6. 预测：

python
y_pred = svm.predict(X_test)

7. 评估模型：

python
from sklearn.metrics import accuracy_score
print(‘支持向量机分类准确率：’, accuracy_score(y_test, y_pred))
“`

以上代码演示了如何使用 scikit-learn 库中的支持向量机进行分类。在实际应用中，您可能需要尝试不同的核函数（如线性核、多项式核、径向基函数（RBF）核等）和参数来优化模型性能。支持向量机适用于各种分类和回归问题，例如文本分类、图像识别等。

支持向量机 Python实现