SVM回归Python
时间: 2023-11-05 12:54:30 浏览: 46
SVM回归(Support Vector Regression)是一种基于支持向量机的回归方法,用于解决连续变量的预测问题。在Python中,可以使用scikit-learn库来实现SVM回归。以下是一个简单的示例代码:
```python
from sklearn.svm import SVR
import numpy as np
# 准备训练数据
X = np.sort(5 * np.random.rand(200, 1), axis=0)
y = np.sin(X).ravel()
# 使用SVR模型进行拟合
svr = SVR(kernel='rbf', epsilon=0.1)
svr.fit(X, y)
# 生成测试数据
X_test = np.arange(0, 5, 0.01)[:, np.newaxis]
# 使用训练好的模型进行预测
y_pred = svr.predict(X_test)
# 绘制结果
import matplotlib.pyplot as plt
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X_test, y_pred, color='navy', label='SVR')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Support Vector Regression')
plt.legend()
plt.show()
```
在这个示例中,我们首先生成了一些随机的训练数据,然后使用SVR模型拟合这些数据,并生成了测试数据进行预测。最后,使用matplotlib库将原始数据和预测结果进行可视化展示。你可以根据自己的需求调整模型的超参数和数据集来使用SVM回归进行预测。