Python AI教程之八：监督学习之支持向量回归（SVR）

在 Scikit Learn 中使用线性和非线性核的支持向量回归 (SVR)

支持向量回归 (SVR) 是一种用于回归任务的支持向量机 (SVM)。它试图找到一个函数，能够最好地预测给定输入值的连续输出值。

SVR 可以使用线性和非线性核。线性核是两个输入向量之间的简单点积，而非线性核则是更复杂的函数，可以捕捉数据中更复杂的模式。核的选择取决于数据的特征和任务的复杂性。

在Python的 scikit-learn 包中，您可以使用' SVR'类来执行具有线性或非线性（kernel）SVR 。要指定kernel，您可以将核参数设置为'线性'或'RBF'（径向基函数）。

与支持向量回归（SVR）相关的概念：

为了有效地使用支持向量回归 (SVR)，您可能需要了解几个相关概念。以下是其中最重要的几个：

• 支持向量机 (SVM)： SVR 是一种支持向量机(SVM)，是一种可用于分类或回归任务的监督学习算法。SVM 试图在高维空间中找到最大限度区分不同类别或输出值的超平面。
• 核函数： SVR 可以使用不同类型的核函数，这些核函数用于确定输入向量之间的相似性。线性核函数是两个输入向量之间的简单点积，而非线性核函数则是更复杂的函数，可以捕捉数据中更复杂的模式。核函数的选择取决于数据的特征和任务的复杂性。
• 超参数： SVR 有多个超参数，您可以调整这些超参数来控制模型的行为。例如，“C”参数控制不敏感损失和敏感损失之间的权衡。较大的“C”值意味着模型将尝试尽量减少不敏感损失，而较小的 C 值意味着模型将更宽容地允许较大的误差。
• 模型评估：与任何机器学习模型一样，评估 SVR 模型的性能非常重要。一种常见的方法是将数据分成训练集和测试集，然后使用训练集拟合模型，使用测试集对其进行评估。然后，您可以使用均方误差 (MSE)或平均绝对误差 (MAE)等指标来衡量预测输出值与真实输出值之间的误差。

使用线性核函数对正弦曲线数据拟合 SVR 模型

首先，我们将尝试在非线性数据集上使用线性核获得一些基线结果，并尝试观察模型可以拟合的程度。

• Python3