简介：一份面向机器学习初学者的SVM分类实战作业包，基于经典Iris鸢尾花数据集完成支持向量机建模与实验分析，适合Python机器学习课程作业、期末复习或入门实践。资源内含完整Python源码与实验报告，使用Python 3.9及sklearn、numpy实现数据加载、模型训练、参数调优与可视化，并配套ROC曲线、分类结果图等多张图片，便于对照理解SVM原理和评估方法。压缩包共16个文件，包括2个py脚本、1份docx报告、7张png图片以及若干xml配置，整体仅611KB，轻量便于下载学习。已有990人学习，可作为同类作业的参考模板与排错思路来源。通过源码阅读可掌握sklearn中SVM的使用流程、核函数选择与结果可视化，结合报告能快速梳理实验步骤，适合需要提交完整作业或想系统理解鸢尾花分类案例的读者。
1. 这个作业真正要你掌握的：SVM + Iris 的最小闭环
SVM 作业在机器学习课程里出现频率极高，但大多数同学卡住的点并不是算法推导，而是「源代码能跑但不知道怎么解释」和「实验报告一问三不知」这两件事。Iris 鸢尾花数据集作为 SVM 分类的经典入门对象，本身只有 150 条样本、4 个特征、3 个类别，训练起来几秒钟就能出结果，这反而让作业重心落到模型理解而不是调参技巧上。这篇内容围绕「Python 机器学习 SVM 作业源码 + 实验报告」这条线展开：先给你一套能直接在本机跑通的 SVM 分类源码，再拆解 C、gamma、核函数这几个 SVM 核心参数在 Iris 上的实际影响，最后补上一份可复现的实验报告写作框架。适合正在做 SVM 作业、或者想系统梳理支持向量机分类流程的读者。
2. 用 scikit-learn 跑通 Iris SVM 的基线模型
2.1 为什么选 Iris 数据集做 SVM 入门
Iris 数据集是机器学习里最常被当作「第一个分类任务」的数据集合，原因有三个：一是样本量小，150 条数据足够让 SVM 在普通笔记本上秒级训练完成，不需要 GPU 也无需分布式环境；二是特征维度低，只有花萼长度、花萼宽度、花瓣长度、花瓣宽度四个连续数值特征，不需要做复杂的特征工程；三是类别边界有明显可分性，其中 setosa 类与另外两类线性可分，而 versicolor 和 virginica 之间存在少量重叠，刚好能展示 SVM 核函数和软间隔的作用。
选 Iris 做 SVM 作业的另一个理由是它天然适合对照实验。你可以很轻松地比较线性核与 RBF 核的效果，也可以在固定核函数的情况下调节惩罚系数 C，观察过拟合和欠拟合的信号。从作业评分角度看，Iris 数据本身不构成技术难点，真正拉开差距的是你能否把 SVM 的参数含义讲清楚，并用实验数据佐证你的说法。所以后面所有代码都围绕「基线模型 + 调参 + 可视化 + 结论」这一套标准流程来组织。
2.2 数据加载与训练/测试划分的标准化写法
2.2.1 加载并查看数据结构
在 Python 环境中，最省事的方案是用 scikit-learn 自带的加载函数，它直接返回 NumPy 数组和类别名称，省去从 CSV 读取时的路径问题。下面是完整的载入和查看代码：
import numpy as np import pandas as pd from sklearn.datasets import load_iris # 加载鸢尾花数据集 iris = load_iris() X = iris.data # 特征矩阵，形状 (150, 4) y = iris.target # 标签向量，形状 (150,) # 转成 DataFrame 方便查看数据概貌 df = pd.DataFrame(X, columns=iris.feature_names) df['label'] = y print(df.head(10)) print("特征名:", iris.feature_names) print("类别名:", iris.target_names) print("样本量:", X.shape[0], "特征数:", X.shape[1])这段代码做了三件基础事：把数据加载到内存，把特征矩阵和标签分离，再用 pandas 快速预览数据分布。输出中特征名是四个花部测量值，类别名对应三个鸢尾花品种。我习惯先看df.info()或df.describe()确认没有空值和量纲异常，再进入建模环节。Iris 数据本身已经是 float 格式，没有缺失值，所以载入后可以直接使用。
2.2.2 划分训练集和测试集时容易忽略的随机种子
训练与测试划分看起来只是两行代码的事，但随机种子不固定会导致每次跑出来的结果都不一样，这在作业报告里是很扣分的点。正确的写法是显式声明random_state，保证实验结果可复现。
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, # 测试集占 30% random_state=42, # 固定随机种子，结果可复现 stratify=y # 按类别比例分层采样 ) print("训练集大小:", X_train.shape) print("测试集大小:", X_test.shape) print("训练集类别分布:", np.bincount(y_train)) print("测试集类别分布:", np.bincount(y_test))这里三个参数值得注意。test_size=0.3表示留出 30% 数据做测试，如果你想要更大的训练集可以改成 0.2；random_state=42是一个约定俗成的种子值，固定后每次划分相同；stratify=y是分层采样，让训练集和测试集里三个类别的比例与原始数据一致。Iris 数据集本身类别均衡，分层采样在这类小数据集上特别重要，否则极端情况下测试集可能只有两个类别，准确率曲线会失真。
2.3 线性 SVM 的 3 行核心代码与参数说明
先用最简单的线性核 SVM 建立基线，scikit-learn 的SVC类一行就能完成训练和预测：
from sklearn.svm import SVC from sklearn.metrics import accuracy_score # 创建线性 SVM 分类器 svm_linear = SVC(kernel='linear', C=1.0, random_state=42) # 在训练集上拟合模型 svm_linear.fit(X_train, y_train) # 预测测试集并计算准确率 y_pred = svm_linear.predict(X_test) print("线性 SVM 准确率:", accuracy_score(y_test, y_pred))代码里的三个参数是作业报告里必须解释的部分。kernel='linear'表示使用线性核，也就是不把特征映射到高维空间，直接求原始空间里的最大间隔超平面；C=1.0是软间隔惩罚系数，控制误分类样本的容忍度，C 越大越不允许训练集出错，C 越小则间隔更宽但对误分类更宽容；random_state=42只影响随机数生成，对线性 SVM 的确定性求解影响不大，但保留它是好习惯。
这里有个常见的认知误区：线性 SVM 在 Iris 上准确率也能到 90% 左右，但把测试集换成只保留花瓣长度和花瓣宽度两个特征时，效果会略降。原因是 setosa 类别线性可分，但其他两类存在重叠区域，单纯线性超平面很难同时兼顾。这个现象是第 3 章引入核函数和调参的动机。
提示：
SVC默认使用 RBF 核，如果创建模型时不写kernel='linear'，你其实训练的是非线性 SVM。做基线对比时一定要明确写出核类型。
2.4 用混淆矩阵和分类报告评估基线模型
准确率是一个过于粗糙的指标，尤其在 Iris 这种小样本数据集上，一个类别全对、另外两个类别混在一起时，准确率依然可能维持在很高水平。为了在实验报告里更专业地展示结果，我会同时输出混淆矩阵和 per-class 的精确率、召回率。
from sklearn.metrics import confusion_matrix, classification_report # 计算混淆矩阵 cm = confusion_matrix(y_test, y_pred) print("混淆矩阵:") print(cm) # 输出每个类别的精确率、召回率和 F1 print("\n分类报告:") print(classification_report(y_test, y_pred, target_names=iris.target_names))混淆矩阵的行代表真实类别，列代表预测类别。以cm[0, 0]为例，它表示真实为 setosa 且被预测为 setosa 的样本数；cm[1, 2]表示真实为 versicolor 但被误判为 virginica 的样本数。分类报告里每一行对应一个类别，precision表示预测为该类别的样本中真正属于该类别的比例，recall表示真实为该类别的样本中被正确识别的比例，f1-score是两者的调和平均。
运行上面代码后，你大概率会看到 versicolor 和 virginica 之间有少量互相误判的情况。这不是代码错误，而是数据本身的客观现象。在实验报告里，这个结果可以写成「线性 SVM 对 setosa 类完全可分，对重叠区域的 versicolor/virginica 存在混淆」，为下一步调参提供依据。
3. 核函数与 C 值：Iris 上 SVM 的真正调参点
3.1 线性核 vs RBF 核在 Iris 上的表现差异
线性核把数据当作在原始特征空间里线性划分。Iris 数据在四个特征的全空间下，线性核能取得不错效果，但如果你把数据降到两个特征再画图，会发现 versicolor 和 virginica 并非严格线性可分。这时 RBF 核的优势就体现出来：它通过高斯径向基函数把样本映射到无限维特征空间，在原始空间中表现为用非线性边界分割数据。
我一般会让两组模型跑同一个测试集，然后记录准确率和训练时间。RBF 核在 Iris 上往往比线性核高几个百分点，而且需要指定额外参数gamma。这里有一个很容易被作业扣分的地方：RBF 核有两个超参 C 和 gamma，两个参数相互影响，不能简单地「默认参数就完事」。下面这段代码展示两种核的快速对比：
# 对比线性核与 RBF 核在相同训练测试划分下的效果 kernels = ['linear', 'rbf'] for k in kernels: model = SVC(kernel=k, C=1.0, random_state=42) model.fit(X_train, y_train) acc = model.score(X_test, y_test) print(f"kernel={k:8s}, 测试集准确率 = {acc:.4f}")输出会显示 RBF 核的准确率不低于线性核，但这不代表可以盲目使用 RBF。在实验报告里，你应该把「线性核在低维特征上可解释性强、RBF 核更适合非线性边界」这句话放在结果分析部分，并跟表格里的数据对照。
3.2 C 值与 gamma 的直观含义和数值范围
C 值是 SVM 的软间隔参数，它控制着「违反间隔的代价」。C 值小，模型更注重得到更宽的分类间隔，可能容忍更多训练集误分类；C 值大，模型会尽量把所有训练样本都分类正确，但间隔变窄，容易出现过拟合。在 Iris 上，C 从 0.01 变到 100 时，训练集和测试集准确率会出现明显变化。
gamma 参数只存在于核函数中。对 RBF 核来说，gamma 决定了单个训练样本的影响力半径。gamma 越小，决策边界越平滑，可能导致欠拟合；gamma 越大，每个样本的影响范围越小，决策边界越复杂，容易围绕单个样本画出小圈子，直接导致过拟合。经验上，gamma 的常用搜索范围是[0.001, 0.01, 0.1, 1, 10]，C 的常用搜索范围是[0.01, 0.1, 1, 10, 100]。
为了直观理解四组参数组合的效果，可以在作业中用交叉验证的方式记录训练准确率、测试准确率和支持向量数量。支持向量数量也是一个值得写进报告的信息，C 增大或 gamma 增大时，支持向量数量通常会减少，说明模型对边界附近的样本更敏感。
3.3 用网格搜索 GridSearchCV 一次性得到最优参数
手动组合 C 和 gamma 很浪费时间，scikit-learn 提供了GridSearchCV来帮你遍历参数组合，并用交叉验证自动选出最优参数。这里我用一个参数网格做示范，输出结果会打印出最优参数和交叉验证得分。
from sklearn.model_selection import GridSearchCV # 定义待搜索的参数网格 param_grid = { 'C': [0.01, 0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1, 10], 'kernel': ['rbf'] } # 创建网格搜索对象 grid = GridSearchCV( SVC(random_state=42), param_grid, cv=5, # 5 折交叉验证 scoring='accuracy', n_jobs=-1 # 使用所有 CPU 核 ) # 在训练集上拟合 grid.fit(X_train, y_train) # 输出最优参数与得分 print("最优参数:", grid.best_params_) print("最优交叉验证准确率:", grid.best_score_) print("测试集准确率:", grid.score(X_test, y_test))GridSearchCV的核心机制是把训练集再分成 5 份，轮流用 4 份训练、1 份验证，循环 5 次后取平均准确率作为当前参数组合的评分。cv=5表示这个交叉验证轮数，scoring='accuracy'指定评分函数，n_jobs=-1让搜索过程并行运行。在 Iris 这种小数据上，整个搜索几秒内就能完成。
运行后得到的最优参数常常是C=1附近、gamma=0.1左右。这里要提醒一点：GridSearchCV只用训练集做交叉验证，最优参数确定后再去预测测试集，这个顺序不能颠倒。如果你先看测试集结果再回头调整参数，就相当于把测试集泄漏进了训练过程，会导致实验报告的结论不可信。网格搜索输出的最优参数和手动尝试的结果有差异是正常的，因为交叉验证是在训练集内部打分，而最终测试集准确率是另一回事。
下面是一个典型的结果表格，可以直接用在实验报告的「参数对比」小节里：
| 参数组合 | C | gamma | 训练准确率 | 交叉验证得分 | 测试准确率 |
|---|---|---|---|---|---|
| 线性核基线 | 1.0 | - | 0.98 | 0.94 | 0.93 |
| RBF 默认 | 1.0 | auto | 0.98 | 0.95 | 0.95 |
| RBF 最优 | 1.0 | 0.1 | 0.99 | 0.96 | 0.96 |
| RBF 过拟合 | 100 | 10 | 1.00 | 0.90 | 0.88 |
注意最后一行，当C=100、gamma=10时，训练准确率冲到 1.0，但交叉验证和测试准确率反而下降，这是过拟合的典型信号。实验报告里用这个现象来论证「SVM 参数不是越极端越好」会非常有说服力。
4. 可视化决策边界与支持向量的作用
4.1 为什么只取两个特征画二维决策边界
原始 Iris 数据有 4 维特征，人眼无法直接观察高维空间里的超平面，所以作业要求里常见的做法是选取两个特征做二维可视化。这不算降维分析，而是为了把 SVM 的决策边界「画出来」。sklearn 支持向量机本身是针对完整特征训练的，如果你想在二维图上看到边界，就必须用同样的训练数据但只取两列重新训练模型，或者把画图用的特征空间限定为两个维度。
很多同学会把「四特征训练 + 两特征画图」混在一起，导致图形与模型不一致。正确的做法是：明确说明可视化模型只用了哪两个特征，并注明这是为了展示决策几何，而非最佳分类性能。通常我会选择花瓣长度和花瓣宽度，因为这两个特征在原始数据中区分度最高，画出来的分类边界最直观。
4.2 用 meshgrid 生成二维决策边界的完整代码
下面的代码会用花瓣长度（第 2 列）和花瓣宽度（第 3 列）训练一个 RBF 核 SVM，然后绘制出每个区域对应的类别颜色和决策边界。
import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap from sklearn.svm import SVC # 只取两个特征用于可视化 X_two = X[:, [2, 3]] # 花瓣长度、花瓣宽度 X_train2, X_test2, y_train2, y_test2 = train_test_split( X_two, y, test_size=0.3, random_state=42, stratify=y ) # 训练 RBF 核 SVM，参数用上一章搜索得到的较优值 clf = SVC(kernel='rbf', C=1.0, gamma=0.1, random_state=42) clf.fit(X_train2, y_train2) # 生成坐标网格 x_min, x_max = X_two[:, 0].min() - 0.5, X_two[:, 0].max() + 0.5 y_min, y_max = X_two[:, 1].min() - 0.5, X_two[:, 1].max() + 0.5 xx, yy = np.meshgrid( np.linspace(x_min, x_max, 200), np.linspace(y_min, y_max, 200) ) # 预测每个网格点的类别 Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 绘制填充等高线图 colors = ['lightcoral', 'lightgreen', 'lightblue'] cmap = ListedColormap(colors) plt.contourf(xx, yy, Z, levels=[-0.5, 0.5, 1.5, 2.5], cmap=cmap, alpha=0.6) plt.scatter(X_train2[:, 0], X_train2[:, 1], c=y_train2, cmap=ListedColormap(['red', 'darkgreen', 'blue']), edgecolor='k', s=40) plt.xlabel('petal length (cm)') plt.ylabel('petal width (cm)') plt.title('SVM RBF kernel decision boundary on Iris (2 features)') plt.show()这段代码里np.linspace(x_min, x_max, 200)生成了每个坐标轴上的 200 个点，组合成 200x200 的网格；clf.predict对这些网格点逐个分类，得到的Z再按网格形状还原。contourf用填充颜色的方式把不同类别区域画出来，等高线层级用[-0.5, 0.5, 1.5, 2.5]把三个类别的预测值分隔开。plt.scatter把训练样本画在最上层，方便观察哪些点落在错误区域。
当你运行这段代码，会看到边界的弯曲集中在 versicolor 和 virginica 的接壤地带，而 setosa 区域非常干净。这就是 RBF 核在局部非线性区域发挥作用的表现。
4.3 支持向量的可视化与物理含义
SVM 与其他分类器最大的区别是决策面只由支持向量决定。scikit-learn 训练后的SVC对象里有support_vectors_属性，保存了所有支持向量的坐标。我在作业报告里会特别画一张图，用不同的标记把支持向量圈出来。
# 用上一节训练好的 clf 继续画图 plt.figure(figsize=(8, 6)) # 重新画一遍样本散点，但这次用不同颜色标记支持向量 plt.scatter(X_train2[:, 0], X_train2[:, 1], c=y_train2, cmap=ListedColormap(['red', 'darkgreen', 'blue']), edgecolor='k', s=40, label='training samples') # 支持向量用大号空心圈标记 sv = clf.support_vectors_ plt.scatter(sv[:, 0], sv[:, 1], s=200, linewidth=2, facecolors='none', edgecolors='black', label='support vectors') plt.xlabel('petal length (cm)') plt.ylabel('petal width (cm)') plt.title('Support vectors of RBF SVM on Iris') plt.legend() plt.show() print("支持向量数量:", len(sv)) print("支持向量所在样本索引:", clf.support_)运行输出中，空心圆圈代表支持向量，它们通常紧贴在决策边界两侧。解释这句话时要注意：在软间隔 SVM 中，支持向量不只是边界上的点，还包括被误分类的样本，所以数量可能比想象中多。clf.support_给出的是支持向量在X_train2中的索引，可以用来回溯原始样本是哪一朵花。实验报告里放一张这样的图，再配上「支持向量数量为 47，说明边界区域存在重叠，需要软间隔容错」的说明，比只贴准确率要有信息量得多。
5. 把实验报告写成一页可复现的结论
5.1 实验报告的标准结构：从环境到结论的五个小节
拿到 SVM 作业的实验报告要求时，先不要急着写原理，而是按照「实验目标 - 数据说明 - 模型与参数 - 结果分析 - 结论反思」这个顺序搭框架。这个结构与实际机器学习项目交付文档完全一致，导师通常也希望看到这样的组织方式。实验目标里写清楚要解决什么问题：用 Iris 数据训练 SVM，比较不同核函数和参数的效果，并对支持向量概念形成直观理解。数据说明里写样本量、特征数、类别分布和 train/test 划分规则。模型与参数部分列出线性核、RBF 核、C 和 gamma 的取值范围。结果分析放表格、可视化图和关键指标。最后写结论反思，指出实验中哪些结果符合预期、哪些地方有意外。
5.2 记录实验环境与随机种子，保证结果可复现
实验报告如果不写环境版本，三个月后自己都复现不出来。常见做法是把 Python 及相关库的版本放在报告附录里，至少包含以下内容：
| 依赖项 | 版本建议 | 用途 |
|---|---|---|
| Python | 3.10+ | 解释器 |
| scikit-learn | 1.2+ | SVM 实现 |
| numpy | 1.24+ | 数组计算 |
| pandas | 2.0+ | 数据操作 |
| matplotlib | 3.7+ | 可视化 |
版本号可以用pip list或python -c "import sklearn; print(sklearn.__version__)"查询，不用逐一手动记录。更重要的一点是像第 2 章那样固定random_state，否则每次运行结果不同，实验报告中的数字会前后矛盾。如果你在报告里写了一个准确率，请确保这个准确率对应的代码确实能复现出相同结果。
5.3 用三个指标综合判断 SVM 是否「真的学会」
作业里最容易出现的错误是只看测试准确率。准确率在 Iris 上普遍高于 0.9，单看这个数字很难区分模型好坏。我建议在结论部分至少给出三个维度的判断：交叉验证得分、支持向量数量和错分样本分布。交叉验证得分反映模型在不同数据划分下是否稳定；支持向量数量反映分类边界的复杂程度，数量过少可能过于平滑，数量过多可能过拟合；错分样本分布能看出哪两个类别最容易混淆。
做一个简单的验证：把训练好的模型在完整 150 条数据上重新预测，统计每个错误预测样本的特征值，你会发现错误大多集中在靠近 versicolor/virginica 边界的几个样本上。这个现象可以在实验报告里写成「SVM 在低维特征空间中依然存在少量不可分样本，这是数据本身的标签重叠造成的，增大 C 并不能完全消除。」这样一句话比任何抽象的「模型效果良好」都有说服力。最后可以在报告末尾附上一条参数调整建议：对 Iris 这类小数据集，C=1.0, gamma=0.1的 RBF 核通常可以得到准确率与泛化能力的平衡点，而线性核更适合作为可解释性要求的兜底方案。
本文还有配套的精品资源，点击获取
