目录

• 1. 前言
• 2. 简介
• 3. 语法
• • 3.1 API形式
  • 3.2 参数说明
  • 3.3 属性说明
• 4. 方法说明
• • 4.1 fit(X, y, sample_weight=None)
  • 4.2 get_params(deep=True)
  • 4.3 predict(X)
  • 4.4 score(X, y, sample_weight=None)
  • 4.5 set_params(**params)
• 5. 总结
• 6. 参考资料

1. 前言

• 转载请注明出处
• 文章中有一部分内容是个人理解，所以内容仅供参考
• 这里是官方说明文档传送门：sklearn.svm.SVR
• 本文可当做开发时的开发手册作为参考，建议收藏

2. 简介

• SVR为Support Vector Regression的简写，顾名思义，其是基于支持向量的回归器
• 模型中的两个自由参数为C和epsilon，自由参数不能通过理论推测，可以通过实验、科研猜测和随机指定来设置，即自由参数的调节是个玄学，没有理论指导
• SVR是基于libsvm实现的
• SVR的拟合时间是和样本数量呈二次方指数关系，因此这一分类模型适用于样本较小的情况，如果样本量过大（>1W），建议使用其他回归模型，例如LinearSVR或者SGDRegressor

3. 语法

3.1 API形式

• 形式如下，里面的参数均为默认参数

SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True,
 cache_size=200, verbose=False, max_iter=- 1)

3.2 参数说明

3.3 属性说明

4. 方法说明

4.1 fit(X, y, sample_weight=None)

4.2 get_params(deep=True)

4.3 predict(X)

4.4 score(X, y, sample_weight=None)

4.5 set_params(**params)

5. 总结

6. 参考资料

1. sklearn.svm.SVR
2. 百度百科：自由参数
3. Wikipedia：Free parameter
4. LIBSVM: A Library for Support Vector Machines