python机器学习库scikit-learn: SVR的基本应用

　　

scikit-learn是python的第三方机器学习库,里面集成了大量机器学习的常用方法,例如:贝叶斯,支持向量机,资讯等。

　　

scikit-learn的官网:http://scikit-learn.org/stable/index.html点击打开链接

　　

SVR是支持向量回归(支持向量回归)的英文缩写,是支持向量机(SVM)的重要的应用分支。

　　

scikit-learn中提供了基于libsvm的SVR解决方案。

　　

PS: libsvm是台湾大学林智仁教授等开发设计的一个简单,易于使用和快速有效的SVM模式识别与回归的软件包。

　　

我们自己随机产生一些值,然后使用罪函数进行映射,使用SVR对数据进行拟合

　　 　　 　　从__future__进口部门 　　导入的时间 　　进口numpy np 　　从sklearn。支持向量机进口SVR 　　从sklearn。model_selection进口GridSearchCV 　　从sklearn。model_selection进口learning_curve 　　进口matplotlib。pyplot作为plt 　　 　　rng=np.random.RandomState (0) 　　 　　# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # 　　#生成随机数据 　　X=5 * rng。兰德(10000 1) 　　y=np.sin (X) .ravel () 　　 　　#在标签中对每50个结果标签添加噪声 　　 　　y (:: 50) +=2 * (0.5 - rng.rand (int (X.shape [0]/50))) 　　 　　X_plot=np。linspace (0, 100000) (:,) 　　 　　# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # 　　#训练SVR模型 　　 　　#训练规模 　　train_size=100 　　#初始化SVR 　　svr=GridSearchCV (svr(内核=rbf,γ=0.1),简历=5, 　　param_grid={“C”: [1 e0、e1, e2、e3) 1, 　　“伽马”:np。logspace (2 2 5)}) 　　#记录训练时间 　　t0=time.time () 　　#训练 　　svr。fit (X [: train_size] y [: train_size]) 　　——t0 svr_fit=time.time () 　　 　　t0=time.time () 　　#测试 　　y_svr=svr.predict (X_plot) 　　svr_predict=time.time ()——t0 　　 　　

然后我们对结果进行可视化处理

　　 　　 　　# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # 　　#对结果进行显示 　　plt。散射(X [100], [100], c=発”,标签=荨?zorder=1) 　　plt.hold(上) 　　plt。情节(X_plot y_svr c=' r ', 　　标签=' SVR(适合:%。3 fs,预测:% .3fs) % (svr_fit svr_predict)) 　　 　　plt.xlabel(“数据”) 　　plt.ylabel(“目标”) 　　plt。标题(“SVR与内核岭”) 　　plt.legend () 　　 　　plt.figure () 　　 　　

python机器学习库scikit-learn: SVR的基本应用“> <br/> 　　</p> 　　 　　<pre类= 　　############################################################################## 　　#对训练和测试的过程耗时进行可视化 　　X=5 * rng。兰特(1000000 1) 　　y=np.sin (X) .ravel () 　　y (:: 50) +=2 * (0.5 - rng.rand (int (X.shape [0]/50))) 　　大?np。logspace (1、4、7) 　　的名字,估计在{ 　　“SVR”: SVR(内核=rbf, C=1 e1,γ=10)}. items (): 　　train_time=[] 　　test_time=[] 　　train_test_size的大小: 　　t0=time.time () 　　estimator.fit (X [: int (train_test_size)], [: int (train_test_size)]) 　　train_time.append (time.time () - t0) 　　 　　t0=time.time () 　　estimator.predict (X_plot [1000]): 　　test_time.append (time.time () - t0) 　　 　　plt。情节(大小、train_time“啊——”,颜色=癰”如果name==癝VR”其他“g”, 　　label=" % s(火车)”%的名字) 　　plt。情节(大小、test_time“啊——”,颜色=" r "如果name==癝VR”其他“g”, 　　标签=" % s(测试)"%的名字) 　　 　　plt.xscale(“日志”) 　　plt.yscale(“日志”) 　　plt。包含(“列车规模”) 　　plt。ylabel(“时间(秒)”) 　　plt。标题(“执行时间”) 　　plt.legend (loc=白詈谩? 　　 　　

python机器学习库scikit-learn: SVR的基本应用“> <br/> 　　</p> 　　 　　<pre类= 　　################################################################################ 　　#对学习过程进行可视化 　　plt.figure () 　　 　　svr=svr(内核=rbf, C=1 e1,γ=0.1) 　　train_sizes、train_scores_svr test_scores_svr=\ 　　learning_curve (svr, X [100], [100], train_sizes=np.linspace (0.1 1 10), 　　得分=" neg_mean_squared_error ",简历=10) 　　 　　plt。情节(train_sizes -test_scores_svr.mean(1),“啊——”,颜色=" r ", 　　标签=癝VR”) 　　 　　plt。包含(“列车规模”) 　　plt。ylabel(均方误差) 　　plt。标题(“学习曲线”) 　　plt.legend (loc=白詈谩? 　　 　　plt.show ()

python机器学习库scikit-learn: SVR的基本应用