Python 支持向量机回归 (SVR) 代码解析 - 从入门到实战

这段代码使用了 Scikit-learn 库中的支持向量机 (SVM) 模型 (SVR)，用于进行回归分析。

1. from sklearn.svm import SVR：从 Scikit-learn 库中导入支持向量机 (SVM) 回归模型。

2. model_svr = SVR(kernel='rbf', C=1e3, gamma=0.1)：使用 SVR 模型创建一个名为 model_svr 的变量，其中 kernel 参数指定使用的核函数类型为径向基函数 ('rbf')，C 参数表示正则化强度，gamma 参数表示径向基函数的参数。

3. model_svr.fit(X_train, y_train)：用训练数据 X_train 和 y_train 来训练 SVR 模型。

4. y_pred_svr = model_svr.predict(X_test)：用训练好的模型对测试数据 X_test 进行预测，得到预测结果 y_pred_svr。

5. df_ads_pred_svr = X_test.copy()：将测试数据 X_test 复制一份到 df_ads_pred_svr 中，用于存储真实值和预测值。

6. df_ads_pred_svr['浏览量真值'] = y_test：将真实值 y_test 添加到 df_ads_pred_svr 中的'浏览量真值'列中。

7. df_ads_pred_svr['浏览量预测值'] = y_pred_svr：将预测值 y_pred_svr 添加到 df_ads_pred_svr 中的'浏览量预测值'列中。

8. df_ads_pred_svr：输出 df_ads_pred_svr，即真实值和预测值。

9. print('支持向量机预测集评分：', model_svr.score(X_test, y_test))：输出测试集上的 SVR 模型得分，score() 方法将真实值和预测值进行比较并计算出得分。

10. print('支持向量机训练集评分：', model_svr.score(X_train, y_train))：输出训练集上的 SVR 模型得分。