这是一个使用Python的scikit-learn库中的支持向量机（SVM）的基本示例。假设我们有一个用于分类的数据集，特征存储在X中，标签存储在y中。以下是如何使用SVM进行分类的基本步骤：
```python
# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
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 # 特征数据
y = iris.target # 目标数据（类别）
# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 划分训练集和测试集，其中测试集占比20%
# 创建SVM分类器实例，此处我们选择RBF核函数（也被称为径向基函数）
clf = svm.SVC(kernel='rbf') # 使用RBF核函数，你也可以尝试其他核函数如线性核('linear')或者多项式核('poly')等。对于不同的核函数和参数，模型的表现可能会有所不同。在实践中，通常需要进行参数调优。
# 使用训练数据训练模型
clf.fit(X_train, y_train) # 训练模型
# 使用测试数据进行预测
y_pred = clf.predict(X_test) # 对测试集进行预测
# 计算并打印模型的准确率
print("Accuracy:", accuracy_score(y_test, y_pred)) # 打印模型的准确率
```
这是一个非常基础的SVM使用例子，实际上你可能需要进行更多的步骤，如特征选择、数据预处理、参数优化等。你也可以使用其他种类的核函数以及调整SVM的其他参数以适应你的特定问题。此外，对于大型数据集或者复杂的问题，可能需要考虑使用其他的机器学习算法或者深度学习模型。