机器学习100天-Day1603支持向量机回归

说明：本文依据《Sklearn 与 TensorFlow 机器学习实用指南》完成，所有版权和解释权均归作者和翻译成员所有，我只是搬运和做注解。

第五章是对支持向量机SVM的系统介绍，阐述支持向量机的核心概念，怎么使用这个强大的模型，以及它是如何工作的。

这应该是第三次做这方面的内容了，贴出另一个比较全面的SVM进阶博客。

https://blog.csdn.net/v_JULY_v/article/details/7624837

支持向量机（SVM）是个非常强大并且有多种功能的机器学习模型，能够做线性或者非线性的分类，回归，甚至异常值检测。机器学习领域中最为流行的模型之一，是任何学习机器学习的人必备的工具。SVM特别适合应用于复杂但中小规模数据集的分类问题。

本章使用数据为Sklearn中iris数据

源代码已经同步在github中

https://github.com/jwc19890114/-02-learning-file-100days

3. SVM回归

SVM 算法应用广泛：不仅仅支持线性和非线性的分类任务，还支持线性和非线性的回归任务。

读到这里突然忘记回归任务和分类任务的区别了……

回归问题的应用场景（预测的结果是连续的，例如预测明天的温度25度）。回归问题通常是用来预测一个值。另外，回归分析用在神经网络上，其最上层是不需要加上softmax函数的，而是直接对前一层累加即可。回归是对真实值的一种逼近预测。

分类问题的应用场景（预测的结果是离散的，例如预测明天天气类型-阴，晴，雨）。分类问题是用于将事物打上一个标签，通常结果为离散值。

OK，我们继续。

SVM算法应用于回归任务，技巧在于“逆转目标”，不是试图找到两类之间的最大margin，而是在限制间隔违规情况下，尽量放置更多的样本在间隔上。间隔宽度由超参数C控制。下面使用SVR来实现SVM回归。（这就是为什么Sklearn里面svm有一个SVC和SVR，SVC是分类，SVR是回归）

作为对比，生成了两个SVM回归模型，其中一个epsilon=1.5，另一个0.5

在处理非线性回归任务中，可以使用核化SVM模型。关键参数设定类似上一节的核设定