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

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。

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：

准备数据

模型拟合和预测

准确性检查

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。

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。

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。