支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例|附代码数据
2023-03-07 09:45:41 时间
原文链接:http://tecdat.cn/?p=24875
最近我们被客户要求撰写关于支持向量回归SVR的研究报告,包括一些图形和统计输出。
支持向量回归(SVR)是一种回归算法,它应用支持向量机(SVM)的类似技术进行回归分析。正如我们所知,回归数据包含连续的实数
为了拟合这种类型的数据,SVR模型在考虑到模型的复杂性和错误率的情况下,用一个叫做ε管(epsilon-tube,ε表示管子的宽度)的给定余量来接近最佳值。
在本教程中,我们将通过在 Python 中使用 SVR ,简要了解如何使用 SVR 方法拟合和预测回归数据。教程涵盖:
- 准备数据
- 模型拟合和预测
- 准确性检查
- 源代码
我们将从在 Python 中加载所需的库开始。
import numpy as np
准备数据
我们将使用回归数据作为目标数据进行拟合。我们可以编写简单的函数来生成数据。
y = make(x)
x = np.array
plt.scatter
plt.show()
模型拟合和预测
我们来定义模型。该模型可以与默认参数一起使用。我们将在 x 和 y 数据上拟合模型。
svr
print(svr)
在这里,可以根据回归数据特征更改核、C 和 epsilon 参数。核识别算法中的核类型。可以使用“rbf”(默认核)、“linear”、“poly”和“sigmoid”。
接下来,我们将使用 svr 模型预测 x 数据。
predict(x)
为了检查预测结果,我们将在图中可视化 y 和 yfit 数据。
plt.scatter
plt.plot
plt.legend
plt.show
准确性检查
最后,我们将使用 R 平方和 MSE 指标检查模型和预测准确性。
score
print("R-squared:", score)
print("MSE:", measquaederor)
在本教程中,我们简要了解了如何使用 Python 中的 SVR 方法拟合回归数据。
本文摘选 《 Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例 》
相关文章
- 数据孤岛是业务效率的无声杀手
- 2023展望:新的一年将给大数据分析领域带来什么?
- 阿里云ADB基于Hudi构建Lakehouse的实践
- 大数据在医疗保健领域的使用案例
- 微软增加说明:KB5021751 更新扫描已经 / 即将过时 Office 过程中不会触碰用户隐私
- 2022 Gartner全球云数据库管理系统魔力象限发布 腾讯云数据库入选
- 场景化、重实操,分享一个实时数仓实践案例
- Arctic的湖仓一体践行之路
- 分布式计算MapReduce究竟是怎么一回事?
- 淘系数据模型治理优秀实践
- 大数据分析对医疗保健的影响
- 当我们说大数据Hadoop,究竟在说什么?
- 2022年及以后大数据的五个发展趋势
- 网易严选离线数仓治理实践
- 2023 年数据治理趋势
- 一份“靠谱”的年度经营计划,你学会了吗?
- 漫谈对大数据的思考
- 测试一下,读懂数据的能力,你有吗?
- 用艺术的眼光探索数据之美
- 聊聊数据分析成果如何落地