单变量预测python代码

对于单变量预测，我们可以使用基于支持向量机（SVM）的方法。下面是一个简单的sklearn SVM回归预测示例[^1]：

# 导入必要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt

# 加载数据
boston = datasets.load_boston()
X = boston.data
y = boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练SVM模型
model = SVR(kernel='linear') # 使用线性核
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 计算并打印均方误差
mse_train = mean_squared_error(y_train, model.predict(X_train))
mse_test = mean_squared_error(y_test, y_pred)
print(f"Training set MSE: {mse_train}")
print(f"Testing set MSE: {mse_test}")

# 可视化结果
plt.scatter(y_test, y_pred)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.title('SVM Regression Prediction')
plt.show()

另一方面，如果你想要使用时间序列分析中的ARIMA模型进行单变量预测，你可以下载预先准备好的ARIMAX模型代码和数据集[^2]。这些代码通常会包括数据预处理、模型训练、预测以及可视化结果的部分。请注意，ARIMAX通常用于多元时间序列预测，但也可以通过调整为单变量模式来应用。

要运行ARIMAX模型，你可能需要解压文件，导入相应的模块，比如`pandas`, `statsmodels`, 并按照代码注释一步步操作。