支持向量机处理回归问题实战代码

以下是一个支持向量机处理回归问题的实战代码示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVR

# 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))

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

# 训练模型
svr_rbf.fit(X, y)

# 预测结果
y_pred = svr_rbf.predict(X)

# 绘制结果
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X, y_pred, color='navy', lw=2, label='SVR RBF')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

该代码生成一个包含噪声的正弦曲线，并使用支持向量机模型对其进行回归预测。最终绘制出的结果显示了模型预测结果与真实数据之间的差异。