用python实现SVR使用RBF和多项式核函数结合，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

你可以使用Python中的sklearn库来实现SVR（支持向量回归）算法，并使用RBF（径向基函数）和多项式核函数来构建模型。以下是一个示例代码，可以导入CSV文件，进行训练和测试，并输出R方和RMSE。

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

# 从CSV文件中读取数据
data = pd.read_csv('your_data.csv')

# 分割特征和目标变量
X = data.drop('target_variable', axis=1)
y = data['target_variable']

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

# 创建SVR模型并进行训练
svr_model = SVR(kernel='rbf')  # 使用RBF核函数
#svr_model = SVR(kernel='poly', degree=3)  # 使用多项式核函数，可调整多项式的阶数
svr_model.fit(X_train, y_train)

# 在训练集上进行预测
train_predictions = svr_model.predict(X_train)
train_r2 = r2_score(y_train, train_predictions)
train_rmse = mean_squared_error(y_train, train_predictions, squared=False)

# 在测试集上进行预测
test_predictions = svr_model.predict(X_test)
test_r2 = r2_score(y_test, test_predictions)
test_rmse = mean_squared_error(y_test, test_predictions, squared=False)

# 输出结果
print("训练集 - R方:", train_r2)
print("训练集 - RMSE:", train_rmse)
print("测试集 - R方:", test_r2)
print("测试集 - RMSE:", test_rmse)

请将代码中的"your_data.csv"替换为你实际的CSV数据文件名，并将"target_variable"替换为你的目标变量列名。你还可以根据需要调整SVR模型中的参数，如核函数类型、多项式核函数的阶数等。