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}")
