python機器學習庫scikit-learn：SVR的基本應用

scikit-learn是python的第三方機器學習庫，裡面整合了大量機器學習的常用方法。例如：貝葉斯，svm，knn等。

scikit-learn的官網 ： http://scikit-learn.org/stable/index.html點選開啟連結

SVR是支援向量迴歸(support vector regression)的英文縮寫，是支援向量機(SVM)的重要的應用分支。

scikit-learn中提供了基於libsvm的SVR解決方案。

PS:libsvm是臺灣大學林智仁教授等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與迴歸的軟體包。

我們自己隨機產生一些值，然後使用sin函式進行對映，使用SVR對資料進行擬合

from __future__ import division
import time
import numpy as np
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import learning_curve
import matplotlib.pyplot as plt

rng = np.random.RandomState(0)

#############################################################################
# 生成隨機資料
X = 5 * rng.rand(10000, 1)
y = np.sin(X).ravel()

# 在標籤中對每50個結果標籤新增噪聲

y[::50] += 2 * (0.5 - rng.rand(int(X.shape[0]/50)))

X_plot = np.linspace(0, 5, 100000)[:, None]

#############################################################################
# 訓練SVR模型

#訓練規模
train_size = 100
#初始化SVR
svr = GridSearchCV(SVR(kernel='rbf', gamma=0.1), cv=5,
                   param_grid={"C": [1e0, 1e1, 1e2, 1e3],
                               "gamma": np.logspace(-2, 2, 5)})
#記錄訓練時間
t0 = time.time()
#訓練
svr.fit(X[:train_size], y[:train_size])
svr_fit = time.time() - t0

t0 = time.time()
#測試
y_svr = svr.predict(X_plot)
svr_predict = time.time() - t0

然後我們對結果進行視覺化處理

#############################################################################
# 對結果進行顯示
plt.scatter(X[:100], y[:100], c='k', label='data', zorder=1)
plt.hold('on')
plt.plot(X_plot, y_svr, c='r',
         label='SVR (fit: %.3fs, predict: %.3fs)' % (svr_fit, svr_predict))

plt.xlabel('data')
plt.ylabel('target')
plt.title('SVR versus Kernel Ridge')
plt.legend()

plt.figure()

##############################################################################
# 對訓練和測試的過程耗時進行視覺化
X = 5 * rng.rand(1000000, 1)
y = np.sin(X).ravel()
y[::50] += 2 * (0.5 - rng.rand(int(X.shape[0]/50)))
sizes = np.logspace(1, 4, 7)
for name, estimator in {
                        "SVR": SVR(kernel='rbf', C=1e1, gamma=10)}.items():
    train_time = []
    test_time = []
    for train_test_size in sizes:
        t0 = time.time()
        estimator.fit(X[:int(train_test_size)], y[:int(train_test_size)])
        train_time.append(time.time() - t0)

        t0 = time.time()
        estimator.predict(X_plot[:1000])
        test_time.append(time.time() - t0)

    plt.plot(sizes, train_time, 'o-', color="b" if name == "SVR" else "g",
             label="%s (train)" % name)
    plt.plot(sizes, test_time, 'o--', color="r" if name == "SVR" else "g",
             label="%s (test)" % name)

plt.xscale("log")
plt.yscale("log")
plt.xlabel("Train size")
plt.ylabel("Time (seconds)")
plt.title('Execution Time')
plt.legend(loc="best")

################################################################################
# 對學習過程進行視覺化
plt.figure()

svr = SVR(kernel='rbf', C=1e1, gamma=0.1)
train_sizes, train_scores_svr, test_scores_svr = \
    learning_curve(svr, X[:100], y[:100], train_sizes=np.linspace(0.1, 1, 10),
                   scoring="neg_mean_squared_error", cv=10)

plt.plot(train_sizes, -test_scores_svr.mean(1), 'o-', color="r",
         label="SVR")

plt.xlabel("Train size")
plt.ylabel("Mean Squared Error")
plt.title('Learning curves')
plt.legend(loc="best")

plt.show()

看見了熟悉的LOSS下降圖，我彷彿又回到了學生時代。。