python中的sklearn.svm.svr_Sklearn-SVM:SVR和SVC，对每个inpu得到相同的预测

我查看了这个问题的其他几个答案……看起来这个问题的具体迭代有点不同。

首先，我的输入是标准化的，每个点有五个输入。这些值的大小都是合理的(健康的0.5s和0.7s等——很少接近0或接近1个数字)。

我有大约70x个输入对应于它们的70y个输入。y输入也被规范化(它们是每个时间步后我的函数的百分比变化)。

我初始化我的SVR(和SVC)，对它们进行训练，然后用30个样本外输入对它们进行测试……并对每个输入得到完全相同的预测(输入的变化量是合理的——0.3、0.6、0.5等)。我认为分类器(至少)会有一些区别。。。

这是我的密码：# train svr

my_svr = svm.SVR()

my_svr.fit(x_training,y_trainr)

# train svc

my_svc = svm.SVC()

my_svc.fit(x_training,y_trainc)

# predict regression

p_regression = my_svr.predict(x_test)

p_r_series = pd.Series(index=y_testing.index,data=p_regression)

# predict classification

p_classification = my_svc.predict(x_test)

p_c_series = pd.Series(index=y_testing_classification.index,data=p_classification)

以下是我的输入示例：x_training = [[ 1.52068627e-04 8.66880301e-01 5.08504362e-01