SVR回归（线性，多项式、RBF）预测模型
SVR回归（线性，多项式、RBF）预测模型（房价数据预测）：百度网盘链接：
视频链接：http://pan.baidu.com/s/1o7TfZCm
具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，并提交给我，我来设置视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1
使用环境：Win7-32bit-Anaconda2-4.3.1-Windows-x86.exe
数据集：http://pan.baidu.com/s/1kV4xwij
Python代码如下：
@author: ysw
"""
# 导入pandas与numpy工具包
import pandas as pd
import numpy as np
from sklearn.datasets import load_boston
boston = load_boston()
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.25, random_state=33)
# 从sklearn.preprocessing里导入StandardScaler。
from sklearn.preprocessing import StandardScaler
# 标准化数据，保证每个维度的特征数据方差为1，均值为0。使得预测结果不会被某些维度过大的特征值而主导。
ss_x = StandardScaler()
ss_y = StandardScaler()
X_train = ss_x.fit_transform(X_train)
X_test = ss_x.transform(X_test)
y_train = ss_y.fit_transform(y_train)
y_test_normal = ss_y.transform(y_test)
# 从sklearn.svm_model里导入SVR
from sklearn.svm import SVR
rbf_SVR = SVR(kernel='rbf');
rbf_SVR.fit(X_train, y_train);
rbf_SVR_yc = rbf_SVR.predict(X_test);
rbf_SVR_yc_inverse = ss_y.inverse_transform(rbf_SVR_yc)
from sklearn.metrics import mean_absolute_error,mean_squared_error
# 使用svm模型自带的评分函数score获得模型在测试集上的准确性结果。
print 'R2 value of rbf_SVR Regression:', rbf_SVR.score(X_test, y_test_normal)
print 'mean_absolute_error of rbf_SVR Regression:', mean_absolute_error(y_test, rbf_SVR_yc_inverse)
print 'mean_squared_error of rbf_SVR Regression:', mean_squared_error(y_test, rbf_SVR_yc_inverse)
print('\n')
具体的流程如下：
（1）读取样本数据；
（2）随机抽样：75%的训练样本，25%测试样本；
（3）归一化数据（防止量纲差异导致的特征信息丢失）；
（4）构建一个SVR线性核函数（构建一个SVR多元线性核函数）（构建一个SVR RBF核函数）；
（5）训练样本；
（6）代入测试数据进行预测；
（7）输出预测结果、打印混淆矩阵信息报表。
Python底层SVR代码分享：http://pan.baidu.com/s/1kU773lt
MATLAB底层SVR代码分享：http://pan.baidu.com/s/1pLG3dBd
MATLAB底层SVC、SVR代码分享：http://pan.baidu.com/s/1dFEL6vB
页:
[1]