我不明白如何使用SVM处理多类分类问题。我在网上找到的都是一对所有（one to all）方法，但这仅适用于二元分类。然而，我的目标是例如：
print(target)输出：
[ 0 0 0 ... 9 9 9] 那么，如何正确地使用SVM处理这种情况？我只是按照那些例子构建了模型。但对我来说，这似乎不是处理多标签分类的正确方法。请指导我。如果SVM根本不是一个好的选择，请建议我使用随机森林、决策树、K最近邻等中的哪一个（除了神经网络和卷积神经网络，因为我已经在我的数据集上实现了这两种算法，我只需要再一个算法来比较我的结果）。到目前为止，我的代码如下：
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)from sklearn.svm import SVCmodel_svm = SVC(kernel='linear')clf_svm = model_svm.fit(X_train,y_train)y_svm = model_svm.predict(X_test)from sklearn.metrics import accuracy_scoreprint('Accuracy of SVM: ', accuracy_score(y_svm, y_test))回答：
你使用了线性核函数，这仅适用于线性边界：
model_svm = SVC(kernel='linear')尝试使用rbf核函数，它可以处理大多数非线性边界，并且非常高效。
model_svm = SVC(kernel='rbf')参考：https://scikit-learn.org/stable/auto_examples/svm/plot_svm_kernels.html
