本文主要是介绍拓端tecdat|Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

原文链接：http://tecdat.cn/?p=24875 

原文出处：拓端数据部落公众号

 支持向量回归（SVR）是一种回归算法，它应用支持向量机（SVM）的类似技术进行回归分析。正如我们所知，回归数据包含连续的实数。为了拟合这种类型的数据，SVR模型在考虑到模型的复杂性和错误率的情况下，用一个叫做ε管（epsilon-tube，ε表示管子的宽度）的给定余量来接近最佳值。

在本教程中，我们将通过在 Python 中使用 SVR ，简要了解如何使用 SVR 方法拟合和预测回归数据。教程涵盖：

1. 准备数据
2. 模型拟合和预测
3. 准确性检查
4. 源代码

   我们将从在 Python 中加载所需的库开始。

import numpy as np

准备数据

我们将使用回归数据作为目标数据进行拟合。我们可以编写简单的函数来生成数据。

1.    
2.   y = make(x)
3.   x = np.array
4.    
5.   plt.scatter
6.   plt.show()

模型拟合和预测

我们来定义模型。该模型可以与默认参数一起使用。我们将在 x 和 y 数据上拟合模型。

1.   svr
2.   print(svr)

在这里，可以根据回归数据特征更改核、C 和 epsilon 参数。核识别算法中的核类型。可以使用“rbf”（默认内核）、“linear”、“poly”和“sigmoid”。

接下来，我们将使用 svr 模型预测 x 数据。

predict(x)

为了检查预测结果，我们将在图中可视化 y 和 yfit 数据。

1.   plt.scatter
2.   plt.plot
3.   plt.legend
4.   plt.show

准确性检查

最后，我们将使用 R 平方和 MSE 指标检查模型和预测准确性。

1.   score
2.   print("R-squared:", score)
3.   print("MSE:", measquaederor)

在本教程中，我们简要了解了如何使用 Python 中的 SVR 方法拟合回归数据。

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标

这篇关于拓端tecdat|Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！