原文鏈接：http://tecdat.cn/?p=24875

最近我們被客戶要求撰寫關(guān)于支持向量回歸SVR的研究報告，包括一些圖形和統(tǒng)計輸出。

支持向量回歸（SVR）是一種回歸算法，它應(yīng)用支持向量機(jī)（SVM）的類似技術(shù)進(jìn)行回歸分析。正如我們所知，回歸數(shù)據(jù)包含連續(xù)的實(shí)數(shù)

為了擬合這種類型的數(shù)據(jù)，SVR模型在考慮到模型的復(fù)雜性和錯誤率的情況下，用一個叫做ε管（epsilon-tube，ε表示管子的寬度）的給定余量來接近最佳值。

在本教程中，我們將通過在 Python 中使用 SVR ，簡要了解如何使用 SVR 方法擬合和預(yù)測回歸數(shù)據(jù)。教程涵蓋：

• 準(zhǔn)備數(shù)據(jù)

• 模型擬合和預(yù)測

• 準(zhǔn)確性檢查

• 源代碼

我們將從在 Python 中加載所需的庫開始。

import?numpy?as?np

準(zhǔn)備數(shù)據(jù)

我們將使用回歸數(shù)據(jù)作為目標(biāo)數(shù)據(jù)進(jìn)行擬合。我們可以編寫簡單的函數(shù)來生成數(shù)據(jù)。

y?=?make(x)x?=?np.array plt.scatter plt.show()

模型擬合和預(yù)測

我們來定義模型。該模型可以與默認(rèn)參數(shù)一起使用。我們將在 x 和 y 數(shù)據(jù)上擬合模型。

svr?print(svr)

在這里，可以根據(jù)回歸數(shù)據(jù)特征更改核、C 和 epsilon 參數(shù)。核識別算法中的核類型。可以使用“rbf”（默認(rèn)核）、“l(fā)inear”、“poly”和“sigmoid”。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

PYTHON用戶流失數(shù)據(jù)挖掘：建立邏輯回歸、XGBOOST、隨機(jī)森林、決策樹、支持向量機(jī)、樸素貝葉斯和KMEANS聚類用戶畫像

左右滑動查看更多

01

02

03

04

接下來，我們將使用 svr 模型預(yù)測 x 數(shù)據(jù)。

predict(x)

為了檢查預(yù)測結(jié)果，我們將在圖中可視化 y 和 yfit 數(shù)據(jù)。

plt.scatterplt.plotplt.legendplt.show

準(zhǔn)確性檢查

最后，我們將使用 R 平方和 MSE 指標(biāo)檢查模型和預(yù)測準(zhǔn)確性。

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

在本教程中，我們簡要了解了如何使用 Python 中的 SVR 方法擬合回歸數(shù)據(jù)。

本文摘選?《?Python支持向量回歸SVR擬合、預(yù)測回歸數(shù)據(jù)和可視化準(zhǔn)確性檢查實(shí)例?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

邏輯回歸、隨機(jī)森林、SVM支持向量機(jī)預(yù)測心臟病風(fēng)險數(shù)據(jù)和模型診斷可視化R語言梯度提升機(jī) GBM、支持向量機(jī)SVM、正則判別分析RDA模型訓(xùn)練、參數(shù)調(diào)優(yōu)化和性能比較可視化分析聲納數(shù)據(jù)
R語言量化交易RSI策略：使用支持向量機(jī)SVM
基于隨機(jī)森林、svm、CNN機(jī)器學(xué)習(xí)的風(fēng)控欺詐識別模型
Matlab建立SVM，KNN和樸素貝葉斯模型分類繪制ROC曲線
基于ARIMA、SVM、隨機(jī)森林銷售的時間序列預(yù)測
R語言用rle，svm和rpart決策樹進(jìn)行時間序列預(yù)測
Python支持向量回歸SVR擬合、預(yù)測回歸數(shù)據(jù)和可視化準(zhǔn)確性檢查實(shí)例
R語言梯度提升機(jī) GBM、支持向量機(jī)SVM、正則判別分析RDA模型訓(xùn)練、參數(shù)調(diào)優(yōu)化和性能比較可視化分析聲納數(shù)據(jù)
PYTHON集成機(jī)器學(xué)習(xí)：用ADABOOST、決策樹、邏輯回歸集成模型分類和回歸和網(wǎng)格搜索超參數(shù)優(yōu)化
R語言集成模型：提升樹boosting、隨機(jī)森林、約束最小二乘法加權(quán)平均模型融合分析時間序列數(shù)據(jù)
Python對商店數(shù)據(jù)進(jìn)行l(wèi)stm和xgboost銷售量時間序列建模預(yù)測分析
R語言用主成分PCA、?邏輯回歸、決策樹、隨機(jī)森林分析心臟病數(shù)據(jù)并高維可視化
R語言基于樹的方法：決策樹，隨機(jī)森林，Bagging，增強(qiáng)樹
R語言用邏輯回歸、決策樹和隨機(jī)森林對信貸數(shù)據(jù)集進(jìn)行分類預(yù)測
spss modeler用決策樹神經(jīng)網(wǎng)絡(luò)預(yù)測ST的股票
R語言中使用線性模型、回歸決策樹自動組合特征因子水平
R語言中自編基尼系數(shù)的CART回歸決策樹的實(shí)現(xiàn)
R語言用rle，svm和rpart決策樹進(jìn)行時間序列預(yù)測
python在Scikit-learn中用決策樹和隨機(jī)森林預(yù)測NBA獲勝者
python中使用scikit-learn和pandas決策樹進(jìn)行iris鳶尾花數(shù)據(jù)分類建模和交叉驗(yàn)證
R語言里的非線性模型：多項(xiàng)式回歸、局部樣條、平滑樣條、 廣義相加模型GAM分析
R語言用標(biāo)準(zhǔn)最小二乘OLS，廣義相加模型GAM?，樣條函數(shù)進(jìn)行邏輯回歸LOGISTIC分類
R語言ISLR工資數(shù)據(jù)進(jìn)行多項(xiàng)式回歸和樣條回歸分析
R語言中的多項(xiàng)式回歸、局部回歸、核平滑和平滑樣條回歸模型
R語言用泊松Poisson回歸、GAM樣條曲線模型預(yù)測騎自行車者的數(shù)量
R語言分位數(shù)回歸、GAM樣條曲線、指數(shù)平滑和SARIMA對電力負(fù)荷時間序列預(yù)測R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進(jìn)行回歸、分類和動態(tài)可視化
如何用R語言在機(jī)器學(xué)習(xí)中建立集成模型？
R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實(shí)際波動率進(jìn)行預(yù)測在python 深度學(xué)習(xí)Keras中計算神經(jīng)網(wǎng)絡(luò)集成模型R語言ARIMA集成模型預(yù)測時間序列分析R語言基于Bagging分類的邏輯回歸(Logistic Regression)、決策樹、森林分析心臟病患者
R語言基于樹的方法：決策樹，隨機(jī)森林，Bagging，增強(qiáng)樹
R語言基于Bootstrap的線性回歸預(yù)測置信區(qū)間估計方法
R語言使用bootstrap和增量法計算廣義線性模型（GLM）預(yù)測置信區(qū)間
R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進(jìn)行回歸、分類和動態(tài)可視化
Python對商店數(shù)據(jù)進(jìn)行l(wèi)stm和xgboost銷售量時間序列建模預(yù)測分析
R語言隨機(jī)森林RandomForest、邏輯回歸Logisitc預(yù)測心臟病數(shù)據(jù)和可視化分析
R語言用主成分PCA、?邏輯回歸、決策樹、隨機(jī)森林分析心臟病數(shù)據(jù)并高維可視化
Matlab建立SVM，KNN和樸素貝葉斯模型分類繪制ROC曲線
matlab使用分位數(shù)隨機(jī)森林（QRF）回歸樹檢測異常值