python sklearn svm svr 多输出_python机器学习API介绍25：高级篇——线性回归SVR

LinearSVR实现了线性回归支持向量机，他是根据liblinear实现的，其函数原型为：

sklearn.svm.SVR(kernel='rbf', degree=3, gamma='auto', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1. skrinking=True, cache_size=200, verbose=False, max_iter=-1 )

参数说明：

C：一个浮点数，为惩罚项参数。

epsilon：一个浮点数，及参数epsilon的值

kernel：一个字符串，指定核系数；当其值为linear时，表示使用的是线性核；当值为poly，表示使用的是多项式核；当值为rbf(默认值)时，表示使用的是高斯核；值为sigmoid时表示的是正切函数核；为precomputed时表示提供了kernel matiix，或者提供了一个可调用的对象，该对象用于计算kernel martrix。

degree：一个整数，指定当核函数是多项式时，多项式的系数，对于其他类型的核函数，改参数无效。

gamma：一个浮点数，用于指定核函数是rbf、poly、sigmoid时，核函数的系数，如果为auto，则系数表示为1/n_features。

coef0：浮点数，用于指定和函数中的自由项。只有当核函数是poly和sigmoid时有效。

probability：布尔值，如果为True，则会进行概率估计，它必须在训练之前设置好，同时概率估计会拖慢运行速度。

shrinking：布尔值，如果为True，则使用启发式收缩(shrinking heuristic)。

tol：浮点数，指定终止迭代的阈值。

cache_size：浮点值，制定了kernel缓存的大小，单位为MB。

verbose：一个整数，表示是否开启verbose输出

max_iter：一个整数，指定最大的迭代次数。

属性说明：

support_：一个数组，形状为[n_SV],支持向量的下标。

support_vector：一个数组，形状为[n_SV, n_features]，支持向量。

n_support：一个数组-like，形状为[n_class]。每个分类的支持向量个数。

dual_coef_：一个数组，形状为[n_class-1, n_SV]，对偶问题中，在分类决策函数中每个支持向量的系数。

coef_：一个数组，形状为[n_class-1, n_features]，原始问题中，每个特征的系数，只有在线性核中有效(该属性是一个只读属性，从dual_coef_和support_vectors中计算而来)。

intercept_：一个数组，形状为(n_samples, n_classes*(n_classes-1)/2)，即决策函数中的常数项。

方法说明：

fit(x, y[,sample_weight]):训练模型。

predict(x):用模型进行预测，返回预测值

score(x,y[,sample_weight]):返回(x,y)上预测的准确率(测试分数不超过1，但是可能为负数(当预测效果太差的时候)，score值越接近1，说明预测效果越好)。

代码实例(对应加载的数据可见上一节)：

def test_linear_SVR(*data):