支持向量机回归的代码

支持向量机回归（Support Vector Regression, SVR）是一种基于最大间隔原则的机器学习模型，用于预测连续数值。Python中使用Scikit-Learn库可以方便地实现SVR。下面是一个简单的例子，展示了如何使用Scikit-Learn进行SVR的编码：

# 导入所需库
from sklearn.svm import SVR
from sklearn.model_selection import train_test_split
import numpy as np

# 假设我们有训练数据 X (特征) 和 y (目标值)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM回归模型
svr_model = SVR(kernel='linear') # 使用线性核 ('rbf'、'poly'等也可)

# 训练模型
svr_model.fit(X_train, y_train)

# 预测
y_pred = svr_model.predict(X_test)

# 模型评估
print("Mean Absolute Error:", metrics.mean_absolute_error(y_test, y_pred))
print("Mean Squared Error:", metrics.mean_squared_error(y_test, y_pred))
print("Root Mean Squared Error:", np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

在这个示例中，首先将数据分为训练集和测试集，然后创建一个SVR模型，并指定内核函数。`fit()`方法用于拟合数据，`predict()`方法用于做预测。最后，使用一些评价指标（如均方误差、平均绝对误差）来评估模型性能。