题目内容

请在仅依赖 numpy / pandas / scikit-learn 的前提下，实现一个线性支持向量机（SVM）分类器，并通过 Stratified 3-Fold 交叉验证 + 网格搜索自动选择最佳惩罚系数 $C$。完成后对给定测试样本输出类别预测。

1. 读取数据

• train：二维列表，最后一列为标签 $y \in \{0, 1\}$，前 $m$ 列为数值特征。
• test：二维列表，仅包含特征（与训练集同维度）。

2. 建模管线

• 预处理：StandardScaler（仅在训练集 fit，再 transform）。
• 基础模型使用 SVC，参数固定值：kernel = "linear", random_state = 42。
• 网格：$C \in \{0.1, 1.0, 10.0\}$。
• Stratified 3-Fold 交叉验证参数固定值：n_splits = 3，shuffle = True，random_state = 42。
• 评估指标：scoring = "accuracy"。
• 使用 GridSearchCV 组合以上要素；当多组参数获得相同最高分，GridSearchCV 会按参数字典序选择最先出现的那组（即较小的 $C$ 值）。

3. 模型训练与预测 在完整训练集上用最佳参数 refit = True 重新训练；对 test 直接预测得到标签序列。

4. 结果输出 仅输出 test 部分的预测标签（$0$ / $1$）。

输入描述

第一行输入两个整数 $n, m$（$20 \le n \le 200, 2 \le m \le 10$），分别表示训练样本数和特征维度。

接下来 $n$ 行，每行包含 $m + 1$ 个浮点数，前 $m$ 个为特征，最后一个为整数标签 $y \in \{0, 1\}$。

接下来一行输入一个整数 $q$（$1 \le q \le 100$），表示测试样本数。

接下来 $q$ 行，每行包含 $m$ 个浮点数，表示一个测试样本的特征。

输出描述

输出 $q$ 行，每行一个整数（$0$ 或 $1$），表示对应测试样本的预测标签。

样例1

输入

20 2
-1.20 -0.40 0
-0.80 -1.10 0
-1.30 -0.90 0
-0.70 -0.60 0
-1.50 -0.30 0
-0.90 -1.40 0
-0.50 -0.80 0
-1.10 -0.20 0
-0.60 -1.30 0
-1.40 -0.70 0
1.20 0.40 1
0.80 1.10 1
1.30 0.90 1
0.70 0.60 1
1.50 0.30 1
0.90 1.40 1
0.50 0.80 1
1.10 0.20 1
0.60 1.30 1
1.40 0.70 1
3
1.00 1.00
-1.00 -1.00
0.50 0.50

输出

1
0
1

说明

训练集共 $20$ 个样本，前 $10$ 个标签为 $0$ 分布在第三象限，后 $10$ 个标签为 $1$ 分布在第一象限。经 GridSearchCV 在 $C \in \{0.1, 1.0, 10.0\}$ 中网格搜索后选出最佳 $C$，对测试集预测：第 $1$ 个样本 $(1.00, 1.00)$ 落在正类区域得到 $1$；第 $2$ 个样本 $(-1.00, -1.00)$ 落在负类区域得到 $0$；第 $3$ 个样本 $(0.50, 0.50)$ 距离决策超平面靠近正类侧得到 $1$。