在Python中调用支持向量机（SVM）进行分类或回归，你可以使用`scikit-learn`库。下面是一个简单的示例，展示了如何使用`scikit-learn`中的`SVC`类来训练一个SVM模型：
```python
导入必要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
加载数据集，这里以鸢尾花数据集为例
iris = datasets.load_iris（）
X = iris.data[:, :2] 取数据集中的前两个特征作为输入特征
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=0.3, random_state=42）
创建SVM分类器实例
clf = SVC（kernel='linear'） 可以选择不同的核函数，如 'linear', 'rbf', 'poly' 等
训练模型
clf.fit（X_train, y_train）
预测测试集
y_pred = clf.predict（X_test）
计算准确率
accuracy = accuracy_score（y_test, y_pred）
print（f"Accuracy: {accuracy:.2f}"）
在这个示例中，我们首先导入了必要的库，然后加载了鸢尾花数据集，并选取了前两个特征作为输入。接着，我们将数据集分为训练集和测试集，创建了一个`SVC`分类器实例，并用训练集数据训练了模型。最后，我们使用测试集数据进行了预测，并计算了模型的准确率。你可以根据你的具体需求调整参数，比如`C`（正则化系数）、`kernel`（核函数类型）和`gamma`（核函数参数）等，以优化模型的性能。