运用spss modeler运用支持向量机_使用支持向量回归进行Facebook股票预测

使用Python和支持向量回归

在本文中，我将向您展示如何使用称为支持向量回归（SVR）的机器学习算法创建自己的股票预测Python程序。在这个程序中，我将使用Facebook（FB）股票数据，并根据数据预测某天的开盘价。

支持向量回归（SVR）是一种支持向量机，也是一种用于分析数据进行回归分析的监督学习算法。1996年，由Christopher J. C. Burges、Vladimir N. Vapnik、Harris Drucker、Alexander J. Smola和Linda Kaufman提出了该版本的SVM回归模型。SVR生成的模型只依赖于训练数据的一个子集，因为用于构建模型的成本函数忽略了任何接近模型预测的训练数据。

支持向量机优点：

1. 它在高维空间中效果明显。
2. 如果有清晰的间隔界限，工作效果会很好。
3. 少数支持向量决定了最终结果，这不但可以帮助我们抓住关键样本,“剔”除大量冗余样本。

支持向量回归缺点：

1. 当我们有大量数据集时，它表现不佳。
2. 如果数据集有噪声（大量额外的无意义信息），性能就会很低。

内核类型：

1. 线性
2. 多项式
3. 高斯核函数（ 径向基函数 rbf ）
4. Sigmoid

开始编程：

在编写单行代码之前，我们最好是在代码前添加注释来描述我们需要做的事情。通过这种方式，可以回顾代码并确切知道它的作用。我们使用支持向量回归(SVR)模型来预测某一天FB股票的价格。

导入我们需要的库

import pandas as pd
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt

接下来，我将把从http://finance.yahoo.com获得的Facebook（FB）股票数据加载到一个名为'df'的数据框缩写变量中。然后输出前几行的数据。

注意࿱