支持向量机（Support Vector Machine, SVM）是一种常用的监督学习算法，主要用于分类
和回归任务。以下是一个使用 Python 语言和 scikit-learn 库实现的简单 SVM 分类器的例子
：
```python
from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=42)
# 创建 SVM 分类器
clf = svm.SVC(kernel='linear') # 使用线性核
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 打印分类报告
print(classification_report(y_test, y_pred))
```
这个例子中，我们使用了 Iris 数据集，这是一个经典的多类分类问题。首先，我们加载了
数据集并划分了训练集和测试集。然后，我们创建了一个使用线性核的 SVM 分类器，并
用训练集数据训练了模型。最后，我们用测试集数据进行预测，并打印了分类报告，包括
精确度、召回率和 F1 分数等指标。
请注意，根据具体问题的不同，你可能需要调整 SVM 的参数，比如选择不同的核函数（
如`'linear'`, `'poly'`, `'rbf'`等），设置不同的正则化参数等。此外，scikit-learn 库提供了多种
SVM 实现，包括用于分类的`SVC`和用于回归的`SVR`。
