对数据进行svr得代码

以下是使用Python中的Scikit-learn库进行SVR（支持向量回归）的代码示例：

# 导入所需的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score

# 生成随机数据
X = np.sort(5 * np.random.rand(200, 1), axis=0)
y = np.sin(X).ravel()

# 添加噪声
y[::5] += 3 * (0.5 - np.random.rand(40))

# 定义SVR模型
svr_model = SVR(kernel='rbf', C=100, gamma=0.1, epsilon=.1)

# 拟合数据
svr_model.fit(X, y)

# 预测
y_pred = svr_model.predict(X)

# 模型评估
mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)

# 绘制图形
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X, y_pred, color='navy', label='SVR model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

# 输出模型评估结果
print("MSE: %.2f" % mse)
print("R2 score: %.2f" % r2)

在上面的代码中，我们首先生成了一个带有噪声的正弦曲线数据集。然后，我们定义了一个SVR模型，并使用拟合数据进行拟合。最后，我们使用预测值绘制了一个图形，并计算了模型的均方误差（MSE）和R2分数（确定系数）作为模型评估指标。