今天我們要用python來實作SVM，這邊要預測的是python的iris資料集，在【Day 03】MLP實作的時候有使用過，沒看過的讀者可以去看看喔！

首先，我們先載入sklearn中的iris資料集，把data和target分別設定成x和y，以備後續使用。完成過後的x和y會像是下圖的dataframe。

from sklearn import datasets
import pandas as pd

data = datasets.load_iris()
x = pd.DataFrame(data["data"], columns = data["feature_names"])
y = pd.DataFrame(data["target"], columns = ["target"])

下一步，我們利用sklearn中的train_test_split，將先前載入的資料集分成訓練集以及測試集，這邊筆者設定的訓練集以及測試集比例為7: 3，讀者可以試著調整看看。

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)

接著就要來建構模型了，我們直接引入sklearn中的SVC（Support Vector Classification），在kernel的部分筆者這邊採用linear（線性），其他還有poly、rbf、sigmoid、precomputed等等可以做選擇。建構完之後就直接將訓練集的特徵（feature）以及標籤（label）給丟進模型做訓練（fit）。

from sklearn.svm import SVC

svm = SVC(kernel = "linear")
svm.fit(x_train, y_train)

最終完成過後，筆者這邊得出的結果是100%的正確率，但這是由於iris資料集的內容特徵明顯，所以才可以得出這麼好的結果。讀者可以自己試試看運用在別的資料集上喔！