我正在尝试使用支持向量回归执行简单的时间序列预测。
我正在尝试理解所提供的答案 here .
我改编了 Tom 的代码以反射(reflect)所提供的答案:
import numpy as np
from matplotlib import pyplot as plt
from sklearn.svm import SVR
X = np.arange(0,100)
Y = np.sin(X)
a = 0
b = 10
x = []
y = []
while b <= 100:
x.append(Y[a:b])
a += 1
b += 1
b = 10
while b <= 90:
y.append(Y[b])
b += 1
svr_rbf = SVR(kernel='rbf', C=1e5, gamma=1e5)
y_rbf = svr_rbf.fit(x[:81], y).predict(x)
figure = plt.figure()
tick_plot = figure.add_subplot(1, 1, 1)
tick_plot.plot(X, Y, label='data', color='green', linestyle='-')
tick_plot.axvline(x=X[-10], alpha=0.2, color='gray')
tick_plot.plot(X[10:], y_rbf[:-1], label='data', color='blue', linestyle='--')
plt.show()
但是,我仍然得到相同的行为——预测只是返回最后一个已知步骤的值。奇怪的是,如果我将内核设置为 linear
,结果会好得多。为什么 rbf
内核预测没有按预期工作?
谢谢。
最佳答案
我知道这是一个老问题,但我会回答这个问题,因为其他人可能会从这个答案中受益。
如果您的示例使用线性核而不是 rbf,则您为 C 和 gamma 使用的值很可能是问题所在。 C 和 gamma 是用于非线性内核的 SVM 参数。要直观地了解 C 和 Gamma 是什么,请看这里:http://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html ?
为了预测正弦波的值,请尝试 C = 1 和 gamma = 0.1。它的性能比您拥有的值要好得多。
关于python - 使用支持向量回归进行时间序列预测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24517858/