Python 支持向量回归预测

在我的问题中有四个特征（X）<代码>a、b、c、d和两名家属（Y）<代码>e，f。我有一个数据集，包含所有这些变量的一组值。在给定新的

a、b、c、d

值时，如何使用python中的scikit learn通过支持向量回归预测

e、f

变量的值

我对ML非常陌生，我非常希望能得到一些指导，因为我发现很难理解关于ML的scikit学习文档

这就是我在sklearn文档中的一个示例的帮助下所做的

train = pd.read_csv('/Desktop/test.csv')
X = train.iloc[:, 4]
y = train.iloc[:, 4:5]

svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
y_rbf = svr_rbf.fit(X, y).predict(X)

lw = 2
plt.scatter(X, y, color='darkorange', label='data')
plt.plot(X, y_rbf, color='navy', lw=lw, label='RBF model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

这就产生了错误

ValueError:应为2D数组，而应为1D数组： : 使用数组重塑数据。如果数据具有单个特征或数组，则重塑（-1，1）。如果数据包含单个样本，则重塑（1，-1）

---

我假设你的目标变量需要在这里独立预测，所以如果我错了，请纠正我。我稍微修改了sklearndoc示例，以说明您需要做什么。请在执行回归之前考虑对数据进行缩放。

import numpy as np
from sklearn import svm
import matplotlib.pyplot as plt

n_samples, n_features = 10, 4 # your four features a,b,c,d are the n_features
np.random.seed(0)
y_e = np.random.randn(n_samples)
y_f = np.random.randn(n_samples)

# your input array should be formatted like this.
X = np.random.randn(n_samples, n_features)

#dummy parameters - use grid search etc to find best params
svr_rbf = svm.SVR(kernel='rbf', C=1e3, gamma=0.1)
# Fit and predict for one target, do the same for the other
y_pred_e = svr_rbf.fit(X, y_e).predict(X)

---

我假设你的目标变量需要在这里独立预测，所以如果我错了，请纠正我。我稍微修改了sklearndoc示例，以说明您需要做什么。请在执行回归之前考虑对数据进行缩放。

import numpy as np
from sklearn import svm
import matplotlib.pyplot as plt

n_samples, n_features = 10, 4 # your four features a,b,c,d are the n_features
np.random.seed(0)
y_e = np.random.randn(n_samples)
y_f = np.random.randn(n_samples)

# your input array should be formatted like this.
X = np.random.randn(n_samples, n_features)

#dummy parameters - use grid search etc to find best params
svr_rbf = svm.SVR(kernel='rbf', C=1e3, gamma=0.1)
# Fit and predict for one target, do the same for the other
y_pred_e = svr_rbf.fit(X, y_e).predict(X)

---

假设您的数据文件有6列，特征值位于前4列，目标（您称之为“依赖项”）位于最后2列，那么我认为您需要这样做：

train = pd.read_csv('/Desktop/test.csv')
X = train.iloc[:, 0:3]
y = train.iloc[:, 4:5]

---

假设您的数据文件有6列，特征值位于前4列，目标（您称之为“依赖项”）位于最后2列，那么我认为您需要这样做：

train = pd.read_csv('/Desktop/test.csv')
X = train.iloc[:, 0:3]
y = train.iloc[:, 4:5]

---

你到底需要什么帮助？拟合还是预测？您希望同时预测

e和f

，例如，新样本N具有

e，f

=[0,1]或独立？？对于您的X变量，此处的索引显示错误-您选择了一列感谢您指出。我将其更改为选择正确的列。您到底需要什么帮助？拟合还是预测？您希望同时预测

e和f

，例如，新样本N具有

e，f

=[0,1]或独立？？对于您的X变量，此处的索引显示错误-您选择了一列感谢您指出。我将其更改为选择正确的列。@KrishiH将该数据从csv加载到变量X和y并使用它。@KrishiH将该数据从csv加载到变量X和y并使用它。