支持向量机分类分析结果解读
支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论的监督学习分类方法。其基本思想是通过寻找最优超平面实现不同类别样本的间隔最大化分离。对于线性不可分的问题，SVM可通过核函数将数据映射到高维特征空间，使其在高维空间中线性可分。SVM具有泛化能力强、适用于小样本和高维数据等优点，在模式识别、文本分类、图像分类等领域有着广泛的应用。本研究基于SPSSAU平台，采用SVM对鸢尾花数据集进行三分类建模分析。
在SPSSAU【机器学习】模块选择【支持向量机】，将变量拖拽至右侧对应分析框，操作如下图：
一、数据基本信息
本次分析采用鸢尾花（Iris）数据集，共150个样本，分为刚毛鸢尾花（A）、变色鸢尾花（B）和弗吉尼亚鸢尾花（C）三类，每类各50个样本，各占33.333%。自变量为X1、X2、X3、X4四个特征指标，因变量Y为鸢尾花类别。数据集无缺失值，三类样本完全均衡。
从表1可以看出，150个样本全部有效，三类鸢尾花各50个，类别分布完全均衡，为模型的训练和评估提供了良好的数据基础。
二、特征权重分析
从表2特征权重可以看出，各特征对SVM模型分类的贡献差异显著。X3的权重高达82.35%，是模型分类的绝对核心特征，对鸢尾花种类的判别起决定性作用；X4的权重为10.59%，X2的权重为7.06%，两者对模型有一定的辅助贡献；X1的权重为0.00%，表明该特征在SVM分类中未产生实质性贡献，可能被模型忽略。X3和X4的累计权重达到92.94%，构成了SVM分类的主要依据。
三、模型评估结果
数据集按8:2的比例划分为训练集（120个样本）和测试集（30个样本）。
从表3训练集评估结果来看，SVM模型整体准确率为95.8%，综合f1-score为0.958，表现优异。刚毛鸢尾花（A）的精确率、召回率和f1-score均达到1.000，实现完美分类；变色鸢尾花（B）的精确率为0.971、召回率为0.892、f1-score为0.930，有少量B类样本被误判；弗吉尼亚鸢尾花（C）的精确率为0.915、召回率为0.977、f1-score为0.945，召回率较高但精确率偏低，说明存在少量非C类样本被误判为C类的情况。
从表4测试集评估结果来看，SVM模型在测试集上的整体准确率为93.33%，综合精确率为95.00%，综合召回率为93.33%，综合f1-score为0.935，模型效果较优。刚毛鸢尾花（A）继续保持完美分类（精确率和召回率均为1.000）；变色鸢尾花（B）精确率为1.000但召回率为0.846，有2个B类样本被误判为其他类别；弗吉尼亚鸢尾花（C）精确率为0.750、召回率为1.000，所有C类样本均被正确识别，但有1个非C类样本被误判为C类。测试集准确率（93.33%）较训练集（95.8%）略有下降，降幅约2.5个百分点，模型泛化能力良好。
四、图形分析
图1 支持向量机分类结果图
从图1可以看出，SVM模型对鸢尾花三类样本的分类效果整体较好。图中展示了样本在特征空间中的分布及SVM的分类决策边界。刚毛鸢尾花（A）与其他两类之间存在清晰的分类边界，变色鸢尾花（B）和弗吉尼亚鸢尾花（C）之间的边界区域存在少量重叠，这与测试集中B类和C类出现误判的结果一致。SVM通过rbf核函数将数据映射到高维空间后，有效实现了三类样本的非线性分类。
五、模型参数设置与数据集划分
从表5可以看出，本次SVM分析采用rbf（径向基函数）核，误差项惩罚系数C=1.0，核函数系数gamma=scale（值为0.01），多分类策略为一对多（ovr）。数据经过正态标准化预处理，以消除不同特征量纲差异的影响。模型收敛参数为0.001，最大迭代次数为2000次。最终模型在测试集上的准确率为93.33%，综合f1-score为0.935。
从表6可以看出，150个样本中120个（80%）分配至训练集，30个（20%）分配至测试集，无预测集和缺失数据。
六、结论
本研究利用SPSSAU平台采用支持向量机算法对150个鸢尾花样本进行三分类建模分析。模型采用rbf核函数，配合正态标准化预处理，误差项惩罚系数C=1.0。分析结果表明，X3（权重82.35%）是鸢尾花分类最重要的特征，X4（10.59%）和X2（7.06%）次之，X1未产生实质贡献（0.00%）。模型在测试集上的准确率为93.33%，综合f1-score为0.935，分类效果较优。刚毛鸢尾花在训练集和测试集上均实现完美分类，变色鸢尾花和弗吉尼亚鸢尾花在边界区域存在少量误判。SVM通过核函数有效处理了鸢尾花数据中的非线性分类问题，取得了令人满意的分类效果。