Python 概率支持向量机，回归
我目前已经为二进制类实现了一个概率（至少我这么认为）。现在我想将这种方法扩展到回归，并尝试将其用于Boston数据集。不幸的是，我的算法似乎卡住了，我当前运行的代码如下所示：Python 概率支持向量机，回归,python,machine-learning,scikit-learn,svm,Python,Machine Learning,Scikit Learn,Svm,我目前已经为二进制类实现了一个概率（至少我这么认为）。现在我想将这种方法扩展到回归，并尝试将其用于Boston数据集。不幸的是，我的算法似乎卡住了，我当前运行的代码如下所示： from sklearn import decomposition from sklearn import svm from sklearn.model_selection import GridSearchCV from sklearn.model_selection import train_test_split im
from sklearn import decomposition
from sklearn import svm
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import train_test_split
import warnings
warnings.filterwarnings("ignore")
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
boston = load_boston()
X = boston.data
y = boston.target
inputs_train, inputs_test, targets_train, targets_test = train_test_split(X, y, test_size=0.33, random_state=42)
def plotting():
param_C = [0.01, 0.1]
param_grid = {'C': param_C, 'kernel': ['poly', 'rbf'], 'gamma': [0.1, 0.01]}
clf = GridSearchCV(svm.SVR(), cv = 5, param_grid= param_grid)
clf.fit(inputs_train, targets_train)
clf = SVR(C=clf.best_params_['C'], cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape='ovr', degree=5, gamma=clf.best_params_['gamma'],
kernel=clf.best_params_['kernel'],
max_iter=-1, probability=True, random_state=None, shrinking=True,
tol=0.001, verbose=False)
clf.fit(inputs_train, targets_train)
a = clf.predict(inputs_test[0])
print(a)
plotting()
有人能告诉我，这种方法有什么不对，不是因为我收到了一些错误消息（我知道，我已经在上面提供了它们），而是代码从未停止运行。非常感谢您的任何建议。您的代码有几个问题
- 首先，永远需要的是第一个
（即网格搜索），这就是为什么在第二个clf.fit
中设置clf.fit
和max\u iter
时没有看到任何变化tol - 其次，
部分将无法工作，因为：clf=SVR（）- 您必须导入它，
无法识别SVR - 对于可接受的
参数，这里有一堆非法参数（SVR
，decision\u function\u shape
，probability
等）random\u state
- 您必须导入它，
- 第三，您不需要再次使用最佳参数进行显式拟合；您只需在您的
定义中要求GridSearchCV
，然后使用refit=True
进行预测（评论后编辑：simplyclf.best\u estimator\uuu
）clf.predict
from sklearn.svm import SVR
# other imports as-is
# data loading & splitting as-is
param_C = [0.01, 0.1]
param_grid = {'C': param_C, 'kernel': ['poly', 'rbf'], 'gamma': [0.1, 0.01]}
clf = GridSearchCV(SVR(degree=5, max_iter=10000), cv = 5, param_grid= param_grid, refit=True,)
clf.fit(inputs_train, targets_train)
a = clf.best_estimator_.predict(inputs_test[0])
# a = clf.predict(inputs_test[0]) will also work
print(a)
# [ 21.89849792]
degreeSVRdegreemax_iter使用Python3.5和scikit learn0.18.1进行测试，您已经将
max_iter-1tol=0.001max_iter