使用svm思想解决回归问题
使用svm思想解决是如何解决回归问题，其中回归问题的本质就是找一条线，能够最好的拟合数据点
怎么定义拟合就是回归算法的关键，线性回归算法就是让预测的直线的MSE的值最小，对于SVM来说，拟合的定义是指定一个margin值，在这个margin范围里面，包含的数据点越多越好，包含的越多就代表这个范围能比较好的表达样本数据点，这种情况下取中间的直线作为真正的回归结果，用其来预测其他点的相应的值
在训练的时候是要对margin的范围进行一个指定，这就要引入一个新的超参数，即上下两根直线到中间的直线的垂直距离
这个思路和前面SVM解决分类问题的思路是有点相反的意思，前面是越少越好，这里是越多越好
具体操作实现
（在notebook中）
加载好必要的包，使用波士顿房价数据集，进行分割数据集的操作，随机种子为666，
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
boston = datasets.load_boston()
X = boston.data
y = boston.target
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=666)
sklearn中使用SVR和LinearSVR，这两个都是解决回归问题的类，构造的时候的参数设置与先前（链接）差距不大，使用LinearSVR要传入参数epsilon，然后调用函数实例化并fit操作，最后计算出测试数据集的准确度
from sklearn.pipeline import Pipeline
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVR
def StandardLinearSVR(epsilon=0.1):
return Pipeline([
("std_scaler",StandardScaler()),
("linearSVR",LinearSVR(epsilon=epsilon))
])
svr = StandardLinearSVR()
svr.fit(X_train,y_train)
svr.score(X_test,y_test)
结果如下（不能只能一次得到结果）
以上就是简单的对于SVM解决回归问题的操作
