python实现SVM支持向量机回归预测算法

在Python中，我们可以使用scikit-learn库来实现支持向量机（SVM）的回归预测算法。scikit-learn提供了SVR（Support Vector Regression）类来实现这一功能。以下是一个简单的示例，展示了如何使用SVR进行回归预测。

pip install scikit-learn

	# 导入必要的库
	import numpy as np
	from sklearn.svm import SVR
	from sklearn.model_selection import train_test_split
	from sklearn.metrics import mean_squared_error
	import matplotlib.pyplot as plt
	# 生成一些模拟数据
	np.random.seed(0)
	X = np.sort(5 * np.random.rand(40, 1), axis=0)
	y = np.sin(X).ravel()
	# 添加一些噪声
	y[::5] += 3 * (0.5 - np.random.rand(8))
	# 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)
	# 创建SVR模型
	# kernel可以是'linear', 'poly', 'rbf', 'sigmoid', 'precomputed' 或自定义的核函数
	svr_rbf = SVR(kernel='rbf', C=100, gamma='auto')
	# 训练模型
	svr_rbf.fit(X_train, y_train)
	# 预测测试集
	y_pred = svr_rbf.predict(X_test)
	# 计算并打印均方误差
	mse = mean_squared_error(y_test, y_pred)
	print(f"Mean Squared Error: {mse}")
	# 可视化结果
	plt.scatter(X_train, y_train, color='darkorange', label='data')
	plt.plot(X_test, y_pred, color='navy', lw=2, label='SVR (RBF kernel) prediction')
	plt.xlabel('data')
	plt.ylabel('target')
	plt.title('Support Vector Regression')
	plt.legend()
	plt.show()

在这个例子中，我们首先生成了一些模拟数据，这些数据是sin函数的值加上一些随机噪声。然后，我们将数据分为训练集和测试集，并创建了一个使用RBF（径向基函数）核的SVR模型。接着，我们训练模型并在测试集上进行预测，最后计算了预测的均方误差（MSE）并绘制了结果图。

可以通过调整SVR的参数（如C和gamma）来优化模型的性能。C是正则化参数，gamma定义了单个训练样本的影响达到最大的距离（对于RBF、poly和sigmoid核）。对于不同的数据集和问题，最佳参数可能会有所不同。