资源简介
Python 语言调用SVR算法实现回归分析,代码示例,线性回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。
在统计学中,线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。
代码片段和文件信息
# -*- coding: UTF-8 -*-
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
###############################################################################
# Generate sample data
#X = np.sort(5 * np.random.rand(40 1) axis=0) #产生40组数据,每组一个数据,axis=0决定按列排列,=1表示行排列
#y =[0 0 0 0 0 2 1 0 3 0 1 1 4 1 0 0 4 1 5 3 3 1]
y = [0.5 0.3333333333333333 0.75 1.0 1.5 1.5714285714285714 3.0 2.6666666666666665 2.4 2.1818181818181817 2.0833333333333335 1.9230769230769231 1.7857142857142858 1.7333333333333334 2.6875 2.8823529411764706 3.611111111111111 4.105263157894737 4.2 4.380952380952381]
Y = []
X =[[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
#[21]
#[22]
]
#np.sin(X).ravel() #np.sin()输出的是列,和X对应,ravel表示转换成行
#X = np.sort(5 * np.random.rand(40 1) axis=0)
print(X)
for i in y :
Y.append(np.log(i))
y = Y
###############################################################################
# Add noise to targets
#y[::5] += 3 * (0.5 - np.random.rand(8))
###############################################################################
# Fit regression model
svr_rbf10 = SVR(kernel=‘rbf‘C=100 gamma=10.0)
svr_rbf1 = SVR(kernel=‘rbf‘ C=100 gamma=0.1)
svr_rbf1 = SVR(kernel=‘rbf‘ C=100 gamma=0.1)
#svr_lin = SVR(kernel=‘linear‘ C=1e3)
#svr_poly = SVR(kernel=‘poly‘ C=1e3 degree=3)
y_rbf10 = svr_rbf10.fit(X y).predict(X)
y_rbf1 = svr_rbf1.fit(X y).predict(X)
#y_lin = svr_lin.fit(X y).predict(X)
#y_poly = svr_poly.fit(X y).predict(X)
###############################################################################
# look at the results
lw = 2 #line width
plt.scatter(X y color=‘darkorange‘ label=‘data‘)
plt.hold(‘on‘)
plt.plot(X y_rbf10 color=‘navy‘ lw=lw label=‘RBF gamma=10.0‘)
plt.plot(X y_rbf1 color=‘c‘ lw=lw label=‘RBF gamma=1.0‘)
#plt.plot(X y_lin color=‘c‘ lw=lw label=‘Linear model‘)
#plt.plot(X y_poly color=‘cornflowerblue‘ lw=lw label=‘Polynomial model‘)
plt.xlabel(‘data‘)
plt.ylabel(‘target‘)
plt.title(‘Support Vector Regression‘)
plt.legend()
plt.show()
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
文件 2232 2018-10-25 14:11 SVR_1.py
----------- --------- ---------- ----- ----
2232 1
相关资源
- python实现SGBM图像匹配算法
- python实现灰度直方图均衡化
- scrapy_qunar_one
- Python学习全系列教程永久可用
- python简明教程.chm
- 抽奖大转盘python的图形化界面
- 双边滤波器实验报告及代码python
- python +MYSQL+HTML实现21蛋糕网上商城
- Python-直播答题助手自动检测出题搜索
- OpenCV入门教程+OpenCV官方教程中文版
- Python 串口工具源码+.exe文件
- Python开发的全栈股票系统.zip
- Python操作Excel表格并将其中部分数据写
- python书籍 PDF
- 利用python绘制散点图
- python+labview+No1.vi
- 老男孩python项目实战
- python源码制作whl文件.rar
- python3.5可用的scipy
- PYTHON3 经典50案例.pptx
- 计算机科学导论-python.pdf
- python模拟鼠标点击屏幕
- windows鼠标自动点击py脚本
- 鱼c小甲鱼零基础学python全套课后题和
- Python 练习题100道
- Practical Programming 2nd Edition
- wxPython Application Development Cookbook
- python 3.6
- Python 3.5.2 中文文档 互联网唯一CHM版本
- python3.5.2.chm官方文档
评论
共有 条评论