Halcom 发表于 2017-6-10 17:53:23

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]
查看完整版本: SVR回归(线性,多项式、RBF)预测模型