这是代码的粘贴:SVM 示例代码
我检查了这个问题的其他几个答案......似乎这个问题的特定迭代有点不同。
首先,我的输入是标准化的,每个点有五个输入。这些值的大小都是合理的(健康的 0.5 秒和 0.7 秒等——很少接近零或接近 1 的数字)。
我有大约 70 x 输入对应于它们的 70 y 输入。y 输入也被归一化(它们是我的函数在每个时间步之后的百分比变化)。
我初始化我的 SVR(和 SVC),训练它们,然后用 30 个样本外输入测试它们……并为每个输入获得完全相同的预测(并且输入的变化量合理——0.3、0.6 , 0.5 等)。我认为分类器(至少)会有一些差异......
这是我得到的代码:
# train svr
my_svr = svm.SVR()
my_svr.fit(x_training,y_trainr)
# train svc
my_svc = svm.SVC()
my_svc.fit(x_training,y_trainc)
# predict regression
p_regression = my_svr.predict(x_test)
p_r_series = pd.Series(index=y_testing.index,data=p_regression)
# predict classification
p_classification = my_svc.predict(x_test)
p_c_series = pd.Series(index=y_testing_classification.index,data=p_classification)
以下是我的输入示例:
x_training = [[ 1.52068627e-04 8.66880301e-01 5.08504362e-01 9.48082047e-01
7.01156322e-01],
[ 6.68130520e-01 9.07506250e-01 5.07182647e-01 8.11290634e-01
6.67756208e-01],
... x 70 ]
y_trainr = [-0.00723209 -0.01788079 0.00741741 -0.00200805 -0.00737761 0.00202704 ...]
y_trainc = [ 0. 0. 1. 0. 0. 1. 1. 0. ...]
并且x_test
矩阵 (5x30)x_training
在输入的幅度和方差方面与矩阵相似......对于y_testr
和 也是如此y_testc
。
目前,所有测试的预测完全相同(回归为 0.00596,分类为 1...)
如何让 SVR 和 SVC 函数吐出相关预测?或者至少基于输入的不同预测......
至少,分类器应该能够做出选择。我的意思是,即使我没有为回归提供足够的维度......