SVR支持向量机的Demo实现_svr demo-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_41175905/article/details/104865787

本文详细介绍如何使用支持向量回归(SVR)进行数据预测。通过实际案例，从数据预处理到模型训练，最后到预测结果的可视化，一步步解析SVR的工作流程。文章提供了完整的Python代码实现，包括数据标准化、模型拟合及预测等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简单介绍：SVR全称是support vector regression，是SVM（支持向量机support vector machine）对回归问题的一种运用。

数据源：（A.xlsx）

代码实现：（需要安装sklearn模块）矩阵注释部分是中间输出，可以方便理解原理

import numpy as np 
import matplotlib.pyplot as plt 
import pandas as pd 
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR

#读取数据
dataset=pd.read_excel("A.xlsx")
x=dataset.iloc[:,1:2].values  #输出为n*1（1列）
y=dataset.iloc[:,2:3].values  #输出为1*n

#下面处理数据 标准化
sc_x=StandardScaler()
sc_y=StandardScaler()
x=sc_x.fit_transform(x)
y=sc_y.fit_transform(y)
print(x)
"""
[[-1.5666989 ]
 [-1.21854359]
 [-0.87038828]
 [-0.52223297]
 [-0.17407766]
 [ 0.17407766]
 [ 0.52223297]
 [ 0.87038828]
 [ 1.21854359]
 [ 1.5666989 ]]
"""
#开始SVR回归
regressor = SVR(kernel = 'rbf')
regressor.fit(x,y)

y_pred=regressor.predict(sc_x.transform(np.array([[0.1]])))

#print(y_pred)  [-0.52548721]
#将y_pred转换为正常值
y_pred=sc_y.inverse_transform(y_pred)
#print(y_pred)  [100255.85072346]

#图像中显示
plt.scatter(x,y,color = 'blue')
plt.plot(x,regressor.predict(x),color='yellow')
plt.title("SVR预测曲线")
plt.xlabel("Position Level")
plt.ylabel("Salary")
plt.show()

输出截图：

That's all