本文主要是介绍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,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
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:
- 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。
y = make(x)
x = np.arrayplt.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。
这篇关于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的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!