Python 在Scikit学习支持向量回归中寻找混合次数多项式

据我所知，Scikit learn中的支持向量回归采用整数表示度。然而，在我看来，似乎低次多项式不被考虑

运行以下示例：

import numpy
from sklearn.svm import SVR
X = np.sort(5 * np.random.rand(40, 1), axis=0)
Y=(2*X-.75*X**2).ravel()
Y[::5] += 3 * (0.5 - np.random.rand(8))
svr_poly = SVR(kernel='poly', C=1e3, degree=2)
y_poly = svr_poly.fit(X, Y).predict(X)

（从此处复制并稍微修改）

绘制数据的拟合较差（即使跳过第5行，其中Y值会出现随机错误）

---

似乎不考虑低阶项。我试图为

degree

参数传递一个列表

[1,2]

，但随后

predict

命令出错。有没有办法把它们包括在内？我错过了什么明显的东西吗

我认为低阶多项式项包含在拟合模型中，但在图中不可见，因为

C

和

epsilon

参数不适合数据。通过使用

GridSearchCV

微调参数，通常可以获得更好的拟合。由于在这种情况下，数据未居中，

coef0

参数也有显著影响

以下参数应能更好地拟合数据：

svr_poly = SVR(kernel='poly', degree=2, C=100, epsilon=0.0001, coef0=5)

---

scikit learn.SVR

运行低阶多项式。对原始示例的修改清楚地表明了这一点

X = np.sort(2*np.random.rand(40,1)-1,axis=0)
Y = np.sin(6*X).ravel()
svr_poly1 = SVR(kernel='poly', C=1e3, degree=3)
y_poly1 = svr_poly1.fit(X, Y).predict(X)
svr_poly2 = SVR(kernel='poly', C=100, epsilon=0.0001, coef0=5, degree=3)
y_poly2 = svr_poly2.fit(X, Y).predict(X)
svr_poly3 = SVR(kernel='poly', C=100, epsilon=0.0001, coef0=5, degree=5)
y_poly3 = svr_poly3.fit(X, Y).predict(X)

绘制此图将给出

---

将惩罚C设置为1000，基本上惩罚任何有效参数。尝试将其设置为1或lessIt会有所帮助，但这并不能解决我的一般问题，即在多大程度上考虑了低阶术语。此评论非常有用，但我无法从中推断是否包含低阶术语谢谢！我认为对于一个“简单”的模型来说，超参数并没有那么重要。我将接受Answare，因为它将引导我找到一个更清楚地表明它们包含在内的示例。我也会提供一个答案。