サポートベクター回帰（SVR)のメモ

Suport Vector Regression
結果（グラフ）
1. 他の回帰と比較
ソースコード
参考

Suport Vector Regression

RBFカーネル法を用いたSVMをモデルとした回帰

特徴量に対して明示的な変換を行わなくても、多項式回帰と同じような複雑な予測をすることができる。

結果（グラフ）

他の回帰と比較

Linearモデル（単回帰）と、多項式回帰を比較した。

サポートベクター回帰が柔軟なことがわかる。

ソースコード

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
import math
import time

np.random.seed(0)

#データを作る
X = np.linspace(0, 2*math.pi, 40)
y = np.sin(X)

#サイズを合わせる
X = X.reshape(40,1)

#ノイズの入れる
y[::2] += np.random.rand(20)

#予測用データ
X_pre = np.linspace(0,4*math.pi,40)
y_pre = np.sin(X_pre)
X_pre = X_pre.reshape(40,1)

#サポートベクター回帰（SVR）
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.05)
y_rbf = svr_rbf.fit(X, y)
y_rbf = y_rbf.predict(X_pre)



#プロット
lw = 2
plt.scatter(X_pre, y_pre, color='darkorange', label='predict')
plt.scatter(X, y, color="red", label='data')
plt.plot(X_pre, y_rbf, color='navy', lw=lw, label='RBF model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()