python使用支持向量机算法回归

支持向量机（Support Vector Machine，简称SVM）是一种常用的机器学习算法，可以用于分类和回归问题。在回归问题中，SVM可以用于预测连续变量的值。

下面是使用Python中的Scikit-learn库实现支持向量机回归的简单示例：

首先，我们需要导入必要的库：

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

接下来，我们生成一些随机数据作为示例：

# 生成随机数据
x = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.sin(x).ravel()
y[::5] += 3 * (0.5 - np.random.rand(16))

然后，我们创建一个支持向量机回归模型，并用数据拟合该模型：

# 创建一个支持向量机回归模型
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)

# 用数据拟合该模型
svr_rbf.fit(x, y)

最后，我们可以使用模型对新数据进行预测，并将结果可视化：

# 预测新数据
x_test = np.linspace(0, 5, 100)[:, np.newaxis]
y_pred = svr_rbf.predict(x_test)

# 可视化结果
plt.scatter(x, y, color='darkorange', label='data')
plt.plot(x_test, y_pred, color='navy', label='RBF model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

完整代码如下：

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(80, 1), axis=0)
y = np.sin(x).ravel()
y[::5] += 3 * (0.5 - np.random.rand(16))

# 创建一个支持向量机回归模型
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)

# 用数据拟合该模型
svr_rbf.fit(x, y)

# 预测新数据
x_test = np.linspace(0, 5, 100)[:, np.newaxis]
y_pred = svr_rbf.predict(x_test)

# 可视化结果
plt.scatter(x, y, color='darkorange', label='data')
plt.plot(x_test, y_pred, color='navy', label='RBF model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()