Scikit learn scikit svm回归预测恒定结果

这是我的数据：（我重置了索引。日期应该是索引）

这是我的代码：

ar = regr_data
y= ar.iloc[:80,0]
x=ar.iloc[:80,1:]
svmf = svm.SVR()
svmf.fit(training_x, training_y)
pred = pd.Series(svmf.predict(ar.iloc[80:,1:]))
result = pd.DataFrame({"Prediction":pred,"actual":np.array(ar.iloc[80:,0])})

---

SVM预测的常数为-0.002539。我做错什么了吗？我对SVM的工作原理知之甚少。我使用了相同代码的线性回归，预测结果看起来很合理。我很好奇，想试试SVM。SVM不能处理这种数据吗？但是一个常数看起来很奇怪。我应该尝试分类而不是精确预测吗？谢谢

正如@larsmans在评论中所说的，在使用RBF SVM时，您应该始终使用网格搜索C和gamma

---

此外，SVR不适用于

datetime64[ns]

dtype。请显式转换为数据类型为np.float64的numpy数组。自epoch起的纳秒数的顺序为

1e18

，因此您可能希望将浮动日期除以1e18。

您的目标值非常小。也许你必须调整epsilon的值。 我也有同样的问题，请看这个问题：

---

您必须调整SVM的参数，使其正常工作

C

和

gamma

是重要的。我不会在回归中使用日期。我使用A列作为y，B、C、D列作为x。我试着改变C和gamma，但得到了相同的结果。我应该搜索的好范围是什么？谢谢。你能试试

svmf=svm.SVR（kernel='linear'，C=C）

并检查

C

的值范围吗？我试过从1e7到1e-10的值。他们对所有x向量都给出了相同的预测。

ar = regr_data
y= ar.iloc[:80,0]
x=ar.iloc[:80,1:]
svmf = svm.SVR()
svmf.fit(training_x, training_y)
pred = pd.Series(svmf.predict(ar.iloc[80:,1:]))
result = pd.DataFrame({"Prediction":pred,"actual":np.array(ar.iloc[80:,0])})