出一道支持向量机回归实验的例题

好的，这里给你出一道支持向量机回归实验的例题。

假设我们有一个非线性回归数据集，其中训练样本为 $(x_i,y_i)$，$i=1,2,...,n$，且 $y_i$ 为实数值。我们希望使用支持向量机回归对该数据集进行拟合，即寻找一个函数 $f(x)$，使得预测值 $f(x_i)$ 与实际值 $y_i$ 的差别最小化。假设我们使用径向基函数（RBF）核函数进行支持向量机回归。

请完成以下任务：

1. 对该数据集进行特征缩放和数据集划分，其中80%的数据作为训练集，20%的数据作为测试集。

2. 使用sklearn库中的SVR类进行模型训练，其中使用RBF核函数。

3. 对训练集和测试集进行预测，并计算均方误差 MSE。

4. 使用matplotlib库将训练集和测试集的预测值与实际值进行可视化比较。

提示：可以使用以下代码完成支持向量机回归的训练和预测。

from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error

# 训练模型
svr = SVR(kernel='rbf')
svr.fit(X_train_scaled, y_train)

# 预测结果
y_train_pred = svr.predict(X_train_scaled)
y_test_pred = svr.predict(X_test_scaled)

# 计算均方误差
mse_train = mean_squared_error(y_train, y_train_pred)
mse_test = mean_squared_error(y_test, y_test_pred)