使用svm既可以实现分类问题，即输出是标签的种类，例如手写数字识别,Iris鸢尾花分类，同时也能实现连续值的预测，即输出是连续值，也就是回归问题，例如波士顿房价预测。具体使用方法请见svm官方文档
下图中Classification函数即是分类函数，Regression即是回归函数。
使用svm实现,Iris鸢尾花数据集分类问题，详情请见链接
使用svm实现波士顿房价预测。在此说一下自己程序实现预处理的问题，在我的代码中本来是没有进行StandardScaler()标准化这一步，而且我的输出数据有8位小数，最后实现的预测效果很差，基本预测全是一样的值。加上预处理后，虽然预测值会进行标准化，但是可以得到模型的均方差MSE。
本文采用dataset自带的Boston房价数据集，进行回归预测
# 导入库
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVR
from sklearn import metrics
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVR
import seaborn as sns
import matplotlib.pyplot as plt
# 导入数据集
boston = load_boston()
data = boston.data
target = boston.target
先用train_test_split切割出70%的训练集和30%的测试集。由于该数据集各样本取值范围差异很大，直接将数据输入到SVM中的话，学习将会变得困难且容易被噪声干扰。解决方法是对每个特征做标准化或归一化或正则化，本次采用sklearn库自带的z_值标准化
# 数据预处理
train_data,test_data,train_target,test_target = train_test_split(data,target,test_size=0.3)
Stand_X = StandardScaler() # 特征进行标准化
Stand_Y = StandardScaler() # 标签也是数值，也需要进行标准化
train_data = Stand_X.fit_transform(train_data)
test_data = Stand_X.transform(test_data)
train_target = Stand_Y.fit_transform(train_target.reshape(-1,1)) # reshape(-1,1)指将它转化为1列，行自动确定
test_target = Stand_Y.transform(test_target.reshape(-1,1))
# ① 线性核函数
clf = LinearSVR(C=2)
clf.fit(train_data,train_target)
y_pred = clf.predict(test_data)
print("线性核函数：")
print("训练集评分：", clf.score(train_data,train_target))
print("测试集评分：", clf.score(test_data,test_target))
print("测试集均方差：",metrics.mean_squared_error(test_target,y_pred.reshape(-1,1)))
print("测试集R2分：",metrics.r2_score(test_target,y_pred.reshape(-1,1)))
# ② 高斯核函数
clf = SVR(kernel='rbf',C=10,gamma=0.1,coef0=0.1)
clf.fit(train_data,train_target)
y_pred = clf.predict(test_data)
print("高斯核函数：")
print("训练集评分：", clf.score(train_data,train_target))
print("测试集评分：", clf.score(test_data,test_target))
print("测试集均方差：",metrics.mean_squared_error(test_target,y_pred.reshape(-1,1)))
print("测试集R2分：",metrics.r2_score(test_target,y_pred.reshape(-1,1)))
# ③ sigmoid核函数
clf = SVR(kernel='sigmoid',C=2)
clf.fit(train_data,train_target)
y_pred = clf.predict(test_data)
print("sigmoid核函数：")
print("训练集评分：", clf.score(train_data,train_target))
print("测试集评分：", clf.score(test_data,test_target))
print("测试集均方差：",metrics.mean_squared_error(test_target,y_pred.reshape(-1,1)))
print("测试集R2分：",metrics.r2_score(test_target,y_pred.reshape(-1,1)))
# ④ 多项式核函数
clf = SVR(kernel='poly',C=2)
clf.fit(train_data,train_target)
y_pred = clf.predict(test_data)
print("多项式核函数：")
print("训练集评分：", clf.score(train_data,train_target))
print("测试集评分：", clf.score(test_data,test_target))
print("测试集均方差：",metrics.mean_squared_error(test_target,y_pred.reshape(-1,1)))
print("测试集R2分：",metrics.r2_score(test_target,y_pred.reshape(-1,1)))
从结果上看，模型评分：高斯> 多项式>线性>sigmoid
因为SVM对参数十分敏感，不同的参数会导致模型的评分差距非常大，因此用GridSearchCV进行调参，看下是否高斯的得分依然最高
# 调参
clf = GridSearchCV(SVR(),param_grid={'kernel':['poly','sigmoid','rbf'],'C': [0.1,1,10],'gamma': [0.1,1,10]},cv=5)
clf.fit(train_data,train_target)
print("best_param:",clf.best_params_)
print("best_score:", clf.best_score_)
果然还是高斯核函数的评分最高，说明在线性不可分情况下，可以优先使用高斯核函数
详情见链接