scikit-learn是python的第三方機(jī)器學(xué)習(xí)庫(kù)，里面集成了大量機(jī)器學(xué)習(xí)的常用方法。例如：貝葉斯，svm，knn等。

創(chuàng)新互聯(lián)成立十余年來(lái)，這條路我們正越走越好，積累了技術(shù)與客戶資源，形成了良好的口碑。為客戶提供成都網(wǎng)站建設(shè)、成都做網(wǎng)站、網(wǎng)站策劃、網(wǎng)頁(yè)設(shè)計(jì)、主機(jī)域名、網(wǎng)絡(luò)營(yíng)銷、VI設(shè)計(jì)、網(wǎng)站改版、漏洞修補(bǔ)等服務(wù)。網(wǎng)站是否美觀、功能強(qiáng)大、用戶體驗(yàn)好、性價(jià)比高、打開快等等，這些對(duì)于網(wǎng)站建設(shè)都非常重要，創(chuàng)新互聯(lián)通過(guò)對(duì)建站技術(shù)性的掌握、對(duì)創(chuàng)意設(shè)計(jì)的研究為客戶提供一站式互聯(lián)網(wǎng)解決方案，攜手廣大客戶，共同發(fā)展進(jìn)步。

scikit-learn的官網(wǎng) ： http://scikit-learn.org/stable/index.html點(diǎn)擊打開鏈接

SVR是支持向量回歸(support vector regression)的英文縮寫，是支持向量機(jī)(SVM)的重要的應(yīng)用分支。

scikit-learn中提供了基于libsvm的SVR解決方案。

PS:libsvm是臺(tái)灣大學(xué)林智仁教授等開發(fā)設(shè)計(jì)的一個(gè)簡(jiǎn)單、易于使用和快速有效的SVM模式識(shí)別與回歸的軟件包。

我們自己隨機(jī)產(chǎn)生一些值，然后使用sin函數(shù)進(jìn)行映射，使用SVR對(duì)數(shù)據(jù)進(jìn)行擬合

from __future__ import division
import time
import numpy as np
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import learning_curve
import matplotlib.pyplot as plt
 
rng = np.random.RandomState(0)
 
#############################################################################
# 生成隨機(jī)數(shù)據(jù)
X = 5 * rng.rand(10000, 1)
y = np.sin(X).ravel()
 
# 在標(biāo)簽中對(duì)每50個(gè)結(jié)果標(biāo)簽添加噪聲
 
y[::50] += 2 * (0.5 - rng.rand(int(X.shape[0]/50)))
 
X_plot = np.linspace(0, 5, 100000)[:, None]
 
#############################################################################
# 訓(xùn)練SVR模型
 
#訓(xùn)練規(guī)模
train_size = 100
#初始化SVR
svr = GridSearchCV(SVR(kernel='rbf', gamma=0.1), cv=5,
     param_grid={"C": [1e0, 1e1, 1e2, 1e3],
        "gamma": np.logspace(-2, 2, 5)})
#記錄訓(xùn)練時(shí)間
t0 = time.time()
#訓(xùn)練
svr.fit(X[:train_size], y[:train_size])
svr_fit = time.time() - t0
 
t0 = time.time()
#測(cè)試
y_svr = svr.predict(X_plot)
svr_predict = time.time() - t0

當(dāng)前題目：python機(jī)器學(xué)習(xí)庫(kù)scikit-learn：SVR的基本應(yīng)用-創(chuàng)新互聯(lián)
URL分享：http://weahome.cn/article/dpdhsh.html