用python实现SVR混合核函数，要求可导入CSV文件，结果输出训练集和测试集的R方以及RMSE

您好！您可以使用scikit-learn库来实现SVR（支持向量回归）模型，并使用混合核函数。以下是一个示例代码，可在Python中导入CSV文件，并输出训练集和测试集的R方和RMSE。

import pandas as pd
from sklearn.svm import SVR
from sklearn.metrics import r2_score, mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 导入CSV文件
data = pd.read_csv('your_data.csv')

# 提取特征和目标变量
X = data.drop('target_column', axis=1)
y = data['target_column']

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

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

# 创建SVR模型并训练
svr = SVR(kernel='rbf', C=1.0, epsilon=0.1)
svr.fit(X_train, y_train)

# 预测训练集和测试集
y_train_pred = svr.predict(X_train)
y_test_pred = svr.predict(X_test)

# 计算R方和RMSE
train_r2 = r2_score(y_train, y_train_pred)
test_r2 = r2_score(y_test, y_test_pred)
train_rmse = mean_squared_error(y_train, y_train_pred, squared=False)
test_rmse = mean_squared_error(y_test, y_test_pred, squared=False)

print("训练集 R方:", train_r2)
print("测试集 R方:", test_r2)
print("训练集 RMSE:", train_rmse)
print("测试集 RMSE:", test_rmse)

请将代码中的 `your_data.csv` 替换为您的CSV数据文件名，并将 `'target_column'` 替换为您的目标变量列名。您也可以根据需要调整SVR模型的参数，如核函数类型（`kernel`）、正则化参数（`C`）和容错参数（`epsilon`）。