Python中的向量机模型可以应用于分类和回归问题。以下是如何在Python中使用SVM模型进行分类的示例：

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn import svm

# 加载鸢尾花数据集

iris = datasets.load_iris()

X = iris.data

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=0.2, random_state=42)

# 创建并训练SVM分类器

clf = svm.SVC(kernel='linear')

clf.fit(X_train, y_train)

# 预测测试数据集的标签

y_pred = clf.predict(X_test)

# 输出性能指标

from sklearn.metrics import accuracy_score

print("Accuracy score: ", accuracy_score(y_test, y_pred))

上述示例中，我们使用了sklearn自带的鸢尾花数据集，并使用80%的数据进行训练集和20%的数据进行测试集，创建了一个线性SVM分类器，并使用训练集训练了该分类器。然后我们使用测试集来预测数据点的标签，并输出了精度分数。

如果要应用SVM模型进行回归问题，可以使用sklearn的SVR类。以下是关于如何使用SVM进行回归问题的示例：

python

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn import svm

# 加载糖尿病数据集

diabetes = datasets.load_diabetes()

X = diabetes.data

y = diabetes.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=0.2, random_state=42)

# 创建并训练SVM回归器

reg = svm.SVR(kernel='linear')

reg.fit(X_train, y_train)

# 预测测试数据集的标签

y_pred = reg.predict(X_test)

# 输出性能指标

from sklearn.metrics import mean_squared_error

print("Mean squared error: ", mean_squared_error(y_test, y_pred))

在上述示例中，我们使用sklearn自带的糖尿病数据集，并使用80%的数据进行训练集和20%的数据进行测试集，创建了一个线性SVM回归器，并使用训练集训练了该回归器。然后我们使用测试集来预测数据点的标签，并输出了均方误差。