文章目录1.SVR时间序列预测2.SVR参数3.SVR高斯核和过拟合
1.SVR时间序列预测
SVR可用于时间序列分析，但不是一个很好的选择。 目前，一般使用LSTM神经网络处理时序数据
# SVR预测#也可用于时间序列分析(ARIMA也可用于时间序列分析) importnumpyasnpfromsklearnimportsvmimportmatplotlib.pyplotaspltif _ name _==结构数据n=50NP.random.seed(0) #排序x=NP.sort ) NP.random.uniform (0，6，n )，axis=0) y=2*np.sin(x y ) #高斯核函数print (SVR-RBF ) ) SVR _ RBF=SVM.SVR (kernel=) RBF y ) #线性核函数print(SVR-linear ) ) SVR _ linear=y ) #多项式核函数print(SVR-polynomial ) (SVR_poly=SVM.SVR ) kernel='poly '，degree=3， C=100 ) svr_poly.fit(x y ) print('fitok.' )思考：将系数1.1转换为1.5x _ test=NP.linspace (x.min )、1.1*x.max )、 100 ).reshape (更改为-1) y_RBF=SVR_RBF.predict(x_test ) y_linear=SVR_linear.predict ) x_test label='Linear Kernel ' ) PLT.plot(x_test，y_poly，' b- '，linewidth=2，label='Polynomial Kernel ' ) PLT.plot y[svr_rbf.support_]，s=200，c='r '，marker zorder=10 ) PLT.legend(loc='lowerleft ' ) PLT.title ) stitle
2.SVR调参# SVR调参importnumpyasnpfromsklearnimportsvmfromsklearn.model _ selectionimportgridsearchcv # 0.17 grid _ searchimportmatplotlib.pyplotaspltif _ _ name _=' _ main _ ' 3360 n=50np.random.seed (0axis=0) 1 ) print ) ' x ) print y ) model=SVM.SVR(kernel='RBF ' ) # 0.01至100取100的数字c _ can=NP.logspace (-2，2，10 ) ' gamma': gamma_can}，cv=5}SVR.fit(x，y ) print ) )验证参数：n )，SSV 100 ).reshape(-1， 1 ) y_hat=SVR.predict ) x _ test (sp=SVR.best _ estimator _.support _ PLT.figure () ) )，1 ) ) 660 ' r-'，linewidth=2，label markersize=5) PLT.legend(loc='upperright ' ) PLT.title )，fontsize=16 ) PLT.xler
3.SVR高斯核和超配importnumpyasnpfromsklearnimportsvmimportmatplotlibasmplimportmatplotlib.colorsimportmatplotlib.pyplottplottib small=1.01，0.01返回big * a-small * b， big * B- small * AIF _ _ name _ _=' _ main _ ' 3360 t ) print(t2.ravel ).shape ) # np.stack是数组x1=NP.staststte np.concatenate沿现有轴的一系列数组# np.concatenate () x1， x2 ) ) y=NP.array ) [1]*n[-1]*n ) clf=SVM.SVC ) c ) c y ) y_hat=clf.predict(x ) print (准确率%.1f ) mpl.rcparams [ ' axes.unicode _ MINUS ' ]=false cm _ light=mpl.colors.listed colormap [ ' # 77e0a0'，#ffao0a] (r 1 ).max(#1列范围x1，x2=NP.mgrid [ x1 _ min : x1 _ max 3360300 j， x2_min:x2_max:300j] #生成网格采样点grid的axis=1) #测试点grid_hat=clf.predict(grid_test ) grid _ test 属于与输入的形状相同的PLT.figure(facecolor )的cmap=cm _ light (PLT.scatter (x [ :0 ]，x [ 3360，1 ]，s=60，c=y ) cmap=cm_dark ) ) x2_max ) ) PLT.title(u'SVM的RBF核和过度拟合(，fontsize=18 ) PLT.tight_layout ) 0.2 ) PLT
如果对你有帮助的话，请关注麻烦的事情。 这真的对我很重要。 如果需要相互关闭，请留下评论！