我有一个excel表格形式的数据集，我想用SVM对这个数据集进行回归预测

好的，你可以使用Python中的Scikit-learn库来进行SVM回归预测。首先，你需要将Excel中的数据读取到Python中，并将数据集拆分为训练集和测试集。可以使用Pandas库来读取Excel文件，Scikit-learn库中的`train_test_split`函数来拆分数据集。

接下来，你需要对数据进行预处理，包括标准化、归一化或者其他的特征工程方法。这可以使用Scikit-learn库中的`StandardScaler`或者`MinMaxScaler`等函数来完成。

然后，你需要使用Scikit-learn库中的`SVR`类来训练SVM回归模型。在训练模型时，你需要选择合适的核函数（如线性核、多项式核或高斯核）、容差和正则化参数。你可以使用交叉验证等方法来选择最优的参数。

最后，你可以使用训练好的模型对测试集进行预测，并计算预测结果的误差。可以使用Scikit-learn库中的`mean_squared_error`、`mean_absolute_error`等函数来计算误差。

以下是一个简单的SVM回归预测的代码示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 读取Excel数据
data = pd.read_excel('data.xlsx')

# 拆分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), data['target'], test_size=0.2, random_state=0)

# 数据预处理
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 训练SVM回归模型
svr = SVR(kernel='rbf', C=1e3, gamma=0.1, epsilon=0.1)
svr.fit(X_train, y_train)

# 预测测试集并计算误差
y_pred = svr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)

print('Mean Squared Error:', mse)
print('Mean Absolute Error:', mae)

在这个示例中，我们使用了径向基函数（RBF）作为核函数，选择了一些默认的参数值进行模型训练。你需要根据你的具体数据集和问题来选择合适的核函数和参数。