4、支持向量机 基本要求： 使用sklearn实现SVR 数据要求：与神经网络相同

支持向量机(Support Vector Machine, SVM)是一种监督学习算法，主要用于分类和回归分析。它通过找到数据集中最能区分两类样本的最大边界（间隔），创建一个最优决策超平面来进行预测。SVM特别适用于高维空间的数据，因为它只需要找到少数的关键特征点（支持向量）来构建模型。

在Python中，我们可以使用scikit-learn库中的`svm.SVR()`函数来实现支持向量回归(SVR)，这适用于处理连续型的预测任务。以下是使用sklearn实现简单线性SVR的基本步骤：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error

# 加载数据集（这里假设你已经有了与神经网络相同的训练集）
X_train, X_test, y_train, y_test = ... # 读取或生成数据

# 数据预处理，对数值特征进行标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 划分训练集和测试集
X_train, X_val, y_train, y_val = train_test_split(X_train_scaled, y_train, test_size=0.2, random_state=42)

# 创建并训练SVR模型
model = SVR(kernel='linear')  # 或者选择其他内核如'poly', 'rbf'
model.fit(X_train, y_train)

# 预测和评估
y_pred = model.predict(X_val)
mse = mean_squared_error(y_val, y_pred)
print("Mean Squared Error:", mse)

# 使用测试集进行最终评估
y_test_pred = model.predict(X_test_scaled)
final_mse = mean_squared_error(y_test, y_test_pred)