2.1.2.2 支持向量机（回归）

最新推荐文章于 2024-08-19 14:45:48 发布

。难悟易误。

最新推荐文章于 2024-08-19 14:45:48 发布

阅读量1k

点赞数 1

分类专栏：回归文章标签：回

本文链接：https://blog.csdn.net/weixin_43844229/article/details/88085642

版权

该博客使用支持向量机（SVR）在波士顿房价数据集上进行回归分析。首先，加载并描述了波士顿房价数据，接着将数据划分为训练集和测试集，并进行标准化处理。然后，使用线性、多项式和径向基（RBF）核函数的SVR进行训练和预测，并评估了不同核函数配置的模型在测试集上的性能，包括自带评分、R方、均方误差（MSE）和平均绝对误差（MAE）。

摘要由CSDN通过智能技术生成

#美国波士顿地区房价描述
from sklearn.datasets import load_boston
boston=load_boston()
print(boston.DESCR)

#数据分割
from sklearn.cross_validation import train_test_split
import numpy as np
X=boston.data
y=boston.target
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=33)

#分析回归目标值的差异
print('最大值：',np.max(boston.target))
print('最小值：',np.min(boston.target))
print('平均值：',np.mean(boston.target))

#发现目标房价之间的差异较大，需要对特征和目标值进行标准化处理
from sklearn.preprocessing import StandardScaler
ss_X=StandardScaler()
ss_y=StandardScaler()
X_train=ss_X.fit_transform(X_train)
X_test=ss_X.transform(X_test)
y_train=ss_y.fit_transform(y_train.reshape(-1,1))
y_test=ss_y.transform(y_test.reshape(-1,1))

#使用线性核函数配置的支持向量机，进行训练和预测
from sklearn.svm im