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

原文链接:http://tecdat.cn/?p=24875 

 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。

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()

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_第1张图片

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

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_第2张图片

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。


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_第3张图片

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现分析案例实现")

3.matlab中的偏最小二乘回归(PLSR)和主成分回归(PCR)

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归,Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI,NRI指标

你可能感兴趣的