SVM进行回归预测，评价指标代码

以下是使用均方误差（Mean Squared Error, MSE）和 R2 分数（R2 Score）评估 SVM 回归模型的 Python 代码示例：

from sklearn import svm
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

# 创建一些随机的数据用于回归预测
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.sin(X).ravel()

# 定义SVM回归模型
svm_reg = svm.SVR(kernel='rbf', C=1e3, gamma=0.1)

# 训练模型
svm_reg.fit(X, y)

# 预测
y_pred = svm_reg.predict(X)

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

print("均方误差 (MSE)：", mse)
print("R2 分数 (R2 Score)：", r2)

在这个例子中，我们使用 Numpy 创建了一些随机的数据用于回归预测，并定义了一个 SVM 回归模型。然后，我们使用训练数据对模型进行训练，并使用训练好的模型对训练数据进行预测。最后，我们使用 `mean_squared_error` 和 `r2_score` 函数来评估模型的预测效果，并输出评价指标的结果。其中，均方误差 (MSE) 越小，表示模型的预测效果越好；R2 分数 (R2 Score) 越接近 1，表示模型的拟合效果越好。