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，svm，knn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(support vector regression)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sin函数进行映射，使用SVR对数据进行拟合

from __future__ import divisionimport timeimport numpy as npfrom sklearn.svm import SVRfrom sklearn.model_selection import GridSearchCVfrom sklearn.model_selection import learning_curveimport matplotlib.pyplot as plt rng = np.random.RandomState(0) ############################################################################## 生成随机数据X = 5 * rng.rand(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, 5, 100000)[:, None] ############################################################################## 训练SVR模型 #训练规模train_size = 100#初始化SVRsvr = GridSearchCV(SVR(kernel='rbf', gamma=0.1), cv=5, param_grid={"C": [1e0, 1e1, 1e2, 1e3], "gamma": np.logspace(-2, 2, 5)})#记录训练时间t0 = time.time()#训练svr.fit(X[:train_size], y[:train_size])svr_fit = time.time() - t0 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.scatter(X[:100], y[:100], c='k', label='data', zorder=1)plt.hold('on')plt.plot(X_plot, y_svr, c='r', label='SVR (fit: %.3fs, predict: %.3fs)' % (svr_fit, svr_predict)) plt.xlabel('data')plt.ylabel('target')plt.title('SVR versus Kernel Ridge')plt.legend() plt.figure()

############################################################################### 对训练和测试的过程耗时进行可视化X = 5 * rng.rand(1000000, 1)y = np.sin(X).ravel()y[::50] += 2 * (0.5 - rng.rand(int(X.shape[0]/50)))sizes = np.logspace(1, 4, 7)for name, estimator in { "SVR": SVR(kernel='rbf', C=1e1, gamma=10)}.items(): train_time = [] test_time = [] for train_test_size in sizes: t0 = time.time() estimator.fit(X[:int(train_test_size)], y[: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.plot(sizes, train_time, 'o-', color="b" if name == "SVR" else "g", label="%s (train)" % name) plt.plot(sizes, test_time, 'o--', color="r" if name == "SVR" else "g", label="%s (test)" % name) plt.xscale("log")plt.yscale("log")plt.xlabel("Train size")plt.ylabel("Time (seconds)")plt.title('Execution Time')plt.legend(loc="best")

################################################################################# 对学习过程进行可视化plt.figure() svr = SVR(kernel='rbf', C=1e1, gamma=0.1)train_sizes, train_scores_svr, test_scores_svr = \ learning_curve(svr, X[:100], y[:100], train_sizes=np.linspace(0.1, 1, 10), scoring="neg_mean_squared_error", cv=10) plt.plot(train_sizes, -test_scores_svr.mean(1), 'o-', color="r", label="SVR") plt.xlabel("Train size")plt.ylabel("Mean Squared Error")plt.title('Learning curves')plt.legend(loc="best") plt.show()

看见了熟悉的LOSS下降图，我仿佛又回到了学生时代。。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。