svr支持向量机回归代码

以下是Python中使用SVR（支持向量机回归）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

# 生成数据
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.sin(X).ravel()

# 添加噪声
y[::5] += 3 * (0.5 - np.random.rand(16))

# 训练SVR模型
C = 1e3
svr_rbf = SVR(kernel='rbf', C=C, gamma=0.1)
svr_lin = SVR(kernel='linear', C=C)
svr_poly = SVR(kernel='poly', C=C, degree=3)
y_rbf = svr_rbf.fit(X, y).predict(X)
y_lin = svr_lin.fit(X, y).predict(X)
y_poly = svr_poly.fit(X, y).predict(X)

# 绘制结果
lw = 2
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X, y_rbf, color='navy', lw=lw, label='RBF model')
plt.plot(X, y_lin, color='c', lw=lw, label='Linear model')
plt.plot(X, y_poly, color='cornflowerblue', lw=lw, label='Polynomial model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

此代码使用了SVR来拟合一个带有噪声的正弦曲线，并绘制了不同内核的SVR的结果。在代码中，我们定义了三个不同的内核函数：RBF，线性和多项式。然后使用这些内核训练了三个不同的SVR模型，并将它们的预测结果绘制在同一个图表中。