当前位置:   article > 正文

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_支持向量回归svr实例

支持向量回归svr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。

  1. y = make(x)
  2. x = np.array
  3. plt.scatter
  4. 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。

  1. svr
  2. 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。

  1. plt.scatter
  2. plt.plot
  3. plt.legend
  4. 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。

  1. score
  2. print("R-squared:", score)
  3. 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。


声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小惠珠哦/article/detail/753897
推荐阅读
相关标签
  

闽ICP备14008679号