1，先说个例子，看看简单的使用sklean中的SVC(support vectors classification)。

from sklearn import svm
import warnings
warnings.filterwarnings("ignore", category=FutureWarning, module="sklearn", lineno=196)

X = [[0, 0], [0, 1], [1, 0], [1, 1]]  # training samples
y = [0, 1, 2, 3]  # training target
clf = svm.SVC()  # class
clf.fit(X, y)  # training the svc model
print(clf.score([[0, 0], [0, 1], [1, 0], [1, 1]],[0, 1, 1, 3]))

result = clf.predict([[0, 1]])  # predict the target of testing samples
print(result)  # target

运行结果如下：

0.75
[1]

说明在测试集上的准确率为75%，测试数据预测结果为1。

2，SVM既可以用来分类，就是SVC；又可以用来预测，或者称为回归，就是SVR。我们也使用一个小例子说明SVR怎么用。

from sklearn import svm
import warnings
warnings.filterwarnings("ignore", category=FutureWarning, module="sklearn", lineno=196)

X = [[0, 0], [1, 1]]
y = [0.5, 1.5]
clf = svm.SVR()
clf.fit(X, y)
result = clf.predict([[2, 2]])
print(result)

运行结果如下：

[1.22120072]

有用的参考文档：

SVC:

http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC

SVR:

http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVR.html#sklearn.svm.SVR

其他：

http://www.csie.ntu.edu.tw/~cjlin/libsvm/
http://scikit-learn.org/stable/modules/svm.html