支持向量回归代码示例

以下是一个简单的支持向量回归代码示例：

from sklearn.svm import SVR
import numpy as np

# 构造数据
X = np.sort(5 * np.random.rand(100, 1), axis=0)
y = np.sin(X).ravel()

# 训练模型
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
svr_rbf.fit(X, y)

# 预测
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_test = svr_rbf.predict(X_test)

# 可视化结果
import matplotlib.pyplot as plt
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X_test, y_test, color='navy', label='RBF model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

这个示例中，我们使用sklearn库中的SVR模型来训练并预测一个正弦函数。首先，我们构造了一些随机的数据，并将其排序。然后，我们使用SVR模型来拟合这些数据，并使用预测值来生成一条曲线。最后，我们使用matplotlib库将数据和预测结果可视化出来。