【机器学习方法研究】——思路整理、支持向量机

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
import time# 产生数据
X &＃61; np.sort(5 * np.random.rand(40, 1), axis&＃61;0)y &＃61; np.sin(X).ravel()
# 添加噪声
y[::5] &＃43;&＃61; 3 * (0.5 - np.random.rand(8))# 拟合回归模型&＃xff0c;不同的核函数
svr_rbf &＃61; SVR(kernel&＃61;&＃39;rbf&＃39;, C&＃61;1e3, gamma&＃61;0.1)
svr_lin &＃61; SVR(kernel&＃61;&＃39;linear&＃39;, C&＃61;1e3)
svr_poly &＃61; SVR(kernel&＃61;&＃39;poly&＃39;, C&＃61;1e3, degree&＃61;2)
y_rbf &＃61; svr_rbf.fit(X, y).predict(X)
y_lin &＃61; svr_lin.fit(X, y).predict(X)
y_poly &＃61; svr_poly.fit(X, y).predict(X)# 画图展示结果
plt.scatter(X, y, c&＃61;&＃39;k&＃39;, label&＃61;&＃39;data&＃39;)
plt.plot(X, y_rbf, c&＃61;&＃39;g&＃39;, label&＃61;&＃39;RBF model&＃39;)
plt.plot(X, y_lin, c&＃61;&＃39;r&＃39;, label&＃61;&＃39;Linear model&＃39;)
plt.plot(X, y_poly, c&＃61;&＃39;b&＃39;, label&＃61;&＃39;Polynomial model&＃39;)
plt.xlabel(&＃39;data&＃39;)
plt.ylabel(&＃39;target&＃39;)
plt.title(&＃39;Support Vector Regression&＃39;)
plt.legend()
plt.show()

df.index

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
import timestart_date &＃61; &＃39;2015-01-01&＃39;
df &＃61; get_price(&＃39;000423.XSHE&＃39;, fields&＃61;&＃39;price&＃39;, start_date&＃61;start_date, end_date&＃61;time.strftime(&＃39;%Y-%m-%d&＃39;, time.localtime()))
X &＃61; mat(range(1,len(df[&＃39;price&＃39;].values)&＃43;1)).T
y &＃61; df[&＃39;price&＃39;].values# 拟合回归模型
svr_rbf &＃61; SVR(kernel&＃61;&＃39;rbf&＃39;, C&＃61;1e3, gamma&＃61;0.1)
# 注意这里对数据建模完了还是预测的该数据
y_rbf &＃61; svr_rbf.fit(X, y).predict(X)# 画图展示结果
_, ax &＃61; plt.subplots(figsize &＃61; [18,8])dates &＃61; df.index
ax.scatter(X, y, c&＃61;&＃39;k&＃39;, label&＃61;&＃39;data&＃39;)
ax.plot(X,y_rbf, c&＃61;&＃39;g&＃39;, label&＃61;&＃39;RBF model&＃39;)
ticks &＃61; ax.get_xticks()
ax.set_xticklabels([dates[i].date() for i in ticks[:-1]])
plt.xlabel(&＃39;data&＃39;)
plt.ylabel(&＃39;target&＃39;)
plt.title(&＃39;Support Vector Regression&＃39;)
plt.legend()
plt.show()