原文链接： http://tecdat.cn/p=23305原文来源：拓端数据部落公众号
本文介绍了如何使用r语言支持向量回归SVR。
首先进行简单的线性回归，转移到支持向量回归。 现在，您可以看到两者是如何在同一数据中表现的。
一个简单的数据集。 首先，使用这个简单的数据集。
如你所见，我们的两个变量x和y之间似乎有某种关系，看起来我们可以拟合通过各点附近的直线。
我们用r语言做吧！
步骤1 :用r进行简单的线性回归
以下是CSV格式的相同数据。 将其保存到regression.csv文件中。
现在，可以使用r显示数据并使其与直线对齐。
来自csv文件的数据dataDirectory - 'D:/' #将自己的文件夹放在此处。 数据读取. CSV (路径(数据目录，'数据. CSV '，sep=' )，heeep )。 pch=16 ) #添加线性回归模型model-lm(y~x到x，data ) #拟合线abline )模型)
上面的代码显示了以下图表：
第二步：我们的回归效果怎么样？
为了能够比较线性回归和向量回归，首先需要测量其效果的方法。
为此，请修改以下代码，使模型在每个预测中都可见
每#x创建预测预预测(模型，数据)，并显示预测结果points(X ) x，pred )
生成了以下图表：
对于每个数据点Xi，模型都进行预测Y^i，并在图中用红十字表示。 与前面的图表唯一不同的是，这些点互不相连。
计算误差有多少，以衡量模型的效果。
可以将每个Yi值与相关的预测值Y^i进行比较，以查看它们之间存在多大的差异。
请注意，公式Y^i-Yi是误差。 如果预测完美，Y^i等于Yi，误差为零。
在每个数据点上这样加上误差，可以得到误差之和，取平均值可以得到均方误差(MSE )。
机器学习使用均方根误差(RMSE )作为测量误差的常用方法之一，因此请改用它。
为了计算RMSE而取平方根，得到了RMSE
使用r，可以获取以下代码来计算RMSE
RMSE-function(error ) {sqrt ) mean (error ^2) }
我们知道我们线性回归模型的RMSE是5.70。 用SVR改善一下吧！
步骤3 :支持向量回归用r建立SVR模型。
以下是通过支持向量回归预测的代码。
正如您所见，模型- SVM (y~x，data )看起来像线性回归的代码。 请注意，调用了svm函数而不是svr。 那么，这是因为这个函数也可以用于在支持向量机中进行分类。 如果检测到数据分类，则如果变量是r中的一个因子，该函数自动选择SVM。
代码绘制了下图。
这次的预测结果更接近真实的数值！ 计算一下支持向量回归模型的RMSE。
#这次的svrModel$residuals与data$Y - predictedY不同。 #所以这样计算误差svrPredictionRMSE
正如预想的那样，RMSE变得更好了。 现在是3.15，但之前是5.70。
但是你能做得更好吗？
第四步：为了调整你的支持向量回归模型，提高支持向量回归的性能，必须选择最适合模型的参数。
在前面的示例中，我们进行了-回归。 ()没有设置任何值，但默认值为0.1。 还有一个成本参数。 为了避免过度拟合，可以进行变更。
选择这些参数的过程称为超级参数优化或模型选择。
标准的方法是进行网格搜索。 这意味着为了不同成本的组合训练了很多模型，选择了最好的模型。
#在进行网格搜索的tuneresultranges=list (epsilon=seq (0，1，0.1 )，cost=2^ ) 2:9 )上的代码中，调参考图plot (result ) )
使用tune方法训练模型。=0，0.1，0.2，1和cost=22，23，24，29这意味着训练88个模型。 (这可能需要很长时间，但tuneResult将返回MSE。 在与上一个模型进行比较之前，请记住将其转换为RMSE。 最后一行绘制了网格搜索的结果。
>
在这张图上，我们可以看到，区域颜色越深，我们的模型就越好（因为RMSE在深色区域更接近于零）。
这意味着我们可以在更窄的范围内尝试另一个网格搜索，我们将尝试在0和0.2之间的ϵ值。目前看来，成本值并没有产生影响，所以我们将保持原样，看看是否有变化。
rangelist(epsilo = seq(0,0.2,0.01), cost = 2^(2:9))我们用这一小段代码训练了不同的168模型。
当我们放大暗区域时，我们可以看到有几个较暗的斑块。
从图中可以看出，C在200到300之间，ϵ在0.08到0.09之间的模型误差较小。
希望对我们来说，我们不必用眼睛去选择最好的模型，R让我们非常容易地得到它，并用来进行预测。
# 这个值在你的电脑上可能是不同的# 因为调参方法会随机调整数据tunedModelRMSE <- rmse(error)
我们再次提高了支持向量回归模型的RMSE !
我们可以把我们的两个模型都可视化。在下图中，第一个SVR模型是红色的，而调整后的SVR模型是蓝色的。
我希望你喜欢这个关于用R支持向量回归的介绍。你可以查看原文得到本教程的源代码。
最受欢迎的见解
1.R语言多元Logistic逻辑回归 应用案例
2.面板平滑转移回归(PSTR)分析案例实现
3.matlab中的偏最dddddd乘回归（PLSR）和主成分回归（PCR）
4.R语言泊松Poisson回归模型分析案例
5.R语言混合效应逻辑回归Logistic模型分析肺癌
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
8.python用线性回归预测股票价格
9.R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测