写一个sklearn支持向量机回归例子

下面是一个使用sklearn库中的支持向量机回归（SVR）进行房价预测的简单例子：

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt

# 创建训练数据集
X = np.sort(5 * np.random.rand(100, 1), axis=0)
y = np.sin(X).ravel()

# 添加噪声
y[::5] += 3 * (0.5 - np.random.rand(20))

# 初始化SVR模型
svr = SVR(kernel='rbf', C=1, epsilon=0.2)

# 训练模型
svr.fit(X, y)

# 生成测试数据集
X_test = np.arange(0.0, 5.0, 0.1)[:, np.newaxis]

# 进行预测
y_pred = svr.predict(X_test)

# 绘制训练数据集和预测结果
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X_test, y_pred, color='navy', label='SVR')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

上述代码首先导入了所需的库和模块。然后，创建了一个简单的训练数据集 `X` 和目标值 `y`，并为数据集添加了一些噪声。接下来，使用SVR初始化了一个模型，并使用训练数据集对模型进行训练。然后，生成了测试数据集 `X_test`，并使用训练好的模型进行预测。最后，使用matplotlib库绘制了训练数据集和预测结果的散点图和曲线图。

希望这个例子能够满足你的需求。如果有其他问题，请随时提问。