写一个sklearn支持向量机回归例子
时间: 2023-08-03 16:06:35 浏览: 94
基于支持向量机(SVM)的数据回归预测Python代码 sklearn实现
5星 · 资源好评率100%
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:
```python
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。
阅读全文