使用支持向量回归（SVR） 做多元回归模型

使用支持向量回归（SVR） 做多元回归模型

下面是一个使用Python实现基于支持向量回归（SVR）的回归模型的脚本，包括数据预处理、模型训练以及模型评估的过程。请确保你的环境中已经安装了pandas, scikit-learn, numpy等必要的库。

import pandas as pd
import numpy as np
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, r2_score

# 假设你的数据已经加载到一个DataFrame中
df = pd.read_csv('your_data.csv')

df = pd.DataFrame(data)

# 提取特征和目标变量
X = df.drop(['name', 'mrn', 'width'], axis=1)  # 移除不必要的特征
y = df['width of chin']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 标准化特征
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

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

# 进行预测
y_train_pred = svr.predict(X_train_scaled)
y_test_pred = svr.predict(X_test_scaled)

# 评估模型
mse_train = mean_squared_error(y_train, y_train_pred)
mse_test = mean_squared_error(y_test, y_test_pred)
r2_train = r2_score(y_train, y_train_pred)
r2_test = r2_score(y_test, y_test_pred)

print(f"Training MSE: {mse_train}")
print(f"Test MSE: {mse_test}")
print(f"Training R2: {r2_train}")
print(f"Test R2: {r2_test}")

# 可视化
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 5))
plt.scatter(y_test, y_test_pred, color='blue', label='Predicted vs Actual')
plt.plot([y.min(), y.max()], [y.min(), y.max()], color='red', linewidth=2, label='Ideal fit')
plt.xlabel('Actual Width ')
plt.ylabel('Predicted Width')
plt.title('SVR Predictions vs Actual')
plt.legend()
plt.show()

解释

1. 数据准备：首先，将数据加载到DataFrame中并进行预处理，包括去除不必要的特征。
2. 特征和目标变量：提取特征（X）和目标变量（y）。
3. 数据分割：将数据分成训练集和测试集。
4. 数据标准化：使用StandardScaler对数据进行标准化。
5. 模型训练：定义并训练支持向量回归模型。
6. 模型预测：使用训练好的模型进行预测。
7. 模型评估：使用均方误差（MSE）和决定系数（R²）评估模型性能。
8. 可视化：可视化模型的预测结果与实际值的关系。

通过这种方法，你可以建立一个基于支持向量回归的模型，并使用常规的方法来评价模型的好坏。如果你有任何问题或需要进一步的帮助，请告诉我。