用python写出用svr进行药物相互作用预测的一段代码

以下是一个使用SVR进行药物相互作用预测的示例代码：

# 导入必要的库
import pandas as pd
import numpy as np
from sklearn.svm import SVR
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 读取数据集
dataset = pd.read_csv('drug_interactions.csv')

# 数据预处理
X = dataset.iloc[:, :-1]
y = dataset.iloc[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 特征缩放
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
sc_y = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)
y_train = sc_y.fit_transform(y_train.values.reshape(-1, 1))
y_test = sc_y.transform(y_test.values.reshape(-1, 1))

# 建立SVR模型
regressor = SVR(kernel='rbf')
regressor.fit(X_train, y_train.ravel())

# 预测结果
y_pred = sc_y.inverse_transform(regressor.predict(X_test))

# 模型评估
print('Mean Squared Error:', mean_squared_error(y_test, y_pred))
print('R-squared:', r2_score(y_test, y_pred))

以上代码中，首先读入药物相互作用的数据集，然后将数据集分为自变量（X）和因变量（y），并使用train_test_split函数将数据集分为训练集和测试集。接着，使用StandardScaler函数对自变量和因变量进行标准化处理，使得数据分布更加符合正态分布。最后，使用SVR模型进行建模，并对测试集进行预测，并将结果反向缩放，最后进行模型评估。