Python SVR：预测值与实际值相差甚远，尽管r平方较高，MSE较低

我使用scikit learn训练了一个SVR模型，该模型通过使用比特币在以前日期的收盘价预测比特币的未来价格。我已使用以下功能将日期从第一个可用日期转换为增量：

btc['Date'] = pd.to_datetime(btc['Date'])     
btc['date_delta'] = (btc['Date'] - btc['Date'].min())  / np.timedelta64(1,'D')

我的数据帧的头部看起来像这样：

三角洲日期
接近
1654
7144.38
1653
7022.76

有很多话要说：

我真的不明白你的目标是什么：基本上，你试着将一个起始日期起的天数与btc的价格相匹配，而btc的价格实际上是不相关的（增量的数值是完全独立的）。您最好尝试将某一天的btc价格与前几天的btc价格相匹配

您可以通过随机选取80%进行培训来分割培训/测试数据。为什么不把前80%的分数用于学习，最后20%用于预测？在您当前的配置中，数据的采样方式会导致偏差

现在想象一下你的模型过拟合（它学习到一个非常复杂的日期/价格曲线），它非常适合你的训练点。测试数据的预测很可能与事实相去甚远。尝试改变支持向量回归的参数

---

然而，你的结果离它应该达到的程度太远了。我可能会问你从哪里得到1654.0的值？你看过线性模型的结果了吗

谢谢你的回复。我相信SVR并不是这种分析的最佳模型，因为即使我将日期分为年、日、月，结果仍然是错误的。1654是日期偏移量的随机值，我输入它来检查结果。关于随机拆分，我同意我们可以按顺序拆分。我正在考虑尝试LSTM进行同样的分析。我的意思是，如果你的训练增量在0到1000之间，你最终给你的模型提供1600，你不能期望它给出一个好的预测，因为你没有用正确的方法解决问题。无论如何，你不应该尝试拟合日期，除非你只是想看看拟合曲线的形状。