J'essaie d'intégrer un modèle de régression SVM à l'aide de Scikit Learn Package mais cela ne fonctionne pas comme prévu.Problème avec le package Scikit Learn pour la régression SVR
Pourriez-vous m'aider s'il vous plaît à trouver l'erreur? Le code que je voudrais utiliser est:
from sklearn.svm import SVR
import numpy as np
X = []
x = np.arange(0, 20)
y = [3, 4, 8, 4, 6, 9, 8, 12, 15, 26, 35, 40, 45, 54, 49, 59, 60, 62, 63, 68]
X.append(x)
clf = SVR(verbose=1)
clf.fit(np.transpose(X), y)
print("Expecting Result:")
print(y)
print("Predicted Result:")
print(clf.predict(np.transpose(X)))
La sortie que j'ai est:
[LibSVM]*
optimization finished, #iter = 10
obj = -421.488272, rho = -30.500000
nSV = 20, nBSV = 20
Expecting Result:
[3, 4, 8, 4, 6, 9, 8, 12, 15, 26, 35, 40, 45, 54, 49, 59, 60, 62, 63, 68]
Predicted Result:
[ 29.1136814 28.74580196 28.72748632 28.72736291 28.7273628
28.7273628 28.72736302 28.72760984 28.76424112 29.5 31.5
32.23575888 32.27239016 32.27263698 32.2726372 32.2726372
32.27263709 32.27251368 32.25419804 31.8863186 ]
Nous pouvons voir que les résultats prévus sont très loin des données de formation. Comment puis-je améliorer le raccord?
Merci
David
Merci pour votre aide. J'ai testé et ça marche. Je serai plus vigilant sur le choix du noyau. –