2024-10-02 12:25:22 发布
网友
我有一些输入数据在[-1 , 1]范围内,输出数据在[ 0, 1]范围内。当我使用SMV回归来预测输出时 我知道预测的输出值在-1和1之间。我是什么 失踪了?代码是:
[-1 , 1]
[ 0, 1]
svr=svm.SVR(C=0.1, gamma=0.01,kernel='rbf') y_rbf =svr.fit(TrainingIn,TrainingOut) y_hat=svr.predict(TestIn)
谢谢你!在
我保留这个答案仅供将来参考(它不直接回答PSan的问题)。在
需要注意的是(可能与其名称相反)sklearn.svm.SVR可以同时用作预测值和分类器。如果fed标记数据,^{}将输出{-1,+1}。在
sklearn.svm.SVR
鉴于这里的信息,不可能重建您的问题。但我很确定,这与数据的预处理/缩放有关。运行SVR的示例代码段可能如下所示(请随意调整以适应您的需要):
SVR
from sklearn.svm import SVR from sklearn.datasets import load_boston from sklearn.preprocessing import StandardScaler from sklearn.cross_validation import train_test_split from sklearn.metrics import mean_squared_error # replace this parth with your data, e.g. TrainingIn/TrainingOut boston = load_boston() X, y = boston.data, boston.target X1, X2, y1, y2 = train_test_split(X, y) svr = SVR(C=80) scaler = StandardScaler() svr.fit(scaler.fit_transform(X1), y1) y_pred = svr.predict(scaler.transform(X2)) print mean_squared_error(y2, y_pred)
我保留这个答案仅供将来参考(它不直接回答PSan的问题)。在
需要注意的是(可能与其名称相反)} 将输出{-1,+1}。在
sklearn.svm.SVR
可以同时用作预测值和分类器。如果fed标记数据,^{鉴于这里的信息,不可能重建您的问题。但我很确定,这与数据的预处理/缩放有关。运行
SVR
的示例代码段可能如下所示(请随意调整以适应您的需要):相关问题 更多 >
编程相关推荐