Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例

最近我们被客户要求撰写关于支持向量回归的研究报告，包括一些图形和统计输出。

 支持向量回归（SVR）是一种回归算法，它应用支持向量机（SVM）的类似技术进行回归分析。正如我们所知，回归数据包含连续的实数。为了拟合这种类型的数据，SVR模型在考虑到模型的复杂性和错误率的情况下，用一个叫做ε管（epsilon-tube，ε表示管子的宽度）的给定余量来接近最佳值。

【视频】支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例

支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例

，时长07:24

在本教程中，我们将通过在 Python 中使用 SVR ，简要了解如何使用 SVR 方法拟合和预测回归数据。教程涵盖：

1. 准备数据
2. 模型拟合和预测
3. 准确性检查
4. 源代码

   我们将从在 Python 中加载所需的库开始。

import numpy as np

准备数据

我们将使用回归数据作为目标数据进行拟合。我们可以编写简单的函数来生成数据。

y = make(x)
x = np.array

plt.scatter
plt.show()

模型拟合和预测

我们来定义模型。该模型可以与默认参数一起使用。我们将在 x 和 y 数据上拟合模型。

svr 
print(svr)

在这里，可以根据回归数据特征更改核、C 和 epsilon 参数。核识别算法中的核类型。可以使用“rbf”（默认内核）、“linear”、“poly”和“sigmoid”。

接下来，我们将使用 svr 模型预测 x 数据。

predict(x)

为了检查预测结果，我们将在图中可视化 y 和 yfit 数据。

plt.scatter
plt.plot
plt.legend
plt.show

准确性检查

最后，我们将使用 R 平方和 MSE 指标检查模型和预测准确性。

score
print("R-squared:", score)
print("MSE:", measquaederor)

在本教程中，我们简要了解了如何使用 Python 中的 SVR 方法拟合回归数据。

---