我对SVM和数据集的使用还比较陌生。尽管我做了很多研究，但还是无法找出问题所在。
import matplotlib.pyplot as pltfrom sklearn import datasetsfrom sklearn import svmboston = datasets.load_boston()X, y = boston.data, boston.targetclf = svm.SVC(gamma=0.001, C=100.)clf.fit(X, y)clf.predict()我希望它能预测新值，但我不太确定该怎么做。此外，当我尝试拟合数据时，遇到了以下错误。
ValueError: Unknown label type: array([ 24. , 21.6, 34.7, 33.4, 36.2, 28.7, 22.9, 27.1, 16.5, 18.9, 15. , 18.9, 21.7, 20.4, 18.2, 19.9, 23.1, 17.5…..后面跟着一大串数字的数组。
我之前用自己制作的小型数组作为“数据集”来测试这些函数是可行的。
我该如何使用SVM来预测这个数据集的新数据？我对这一切的理解还不是很多。
基本上，我要做的是从波士顿数据集中提取数据，并为其预测新数据。我被分配的任务是使用SVM展示数据建模和预测，并提供一个测试集和一个训练集。
回答：
波士顿数据集中的目标是连续的。你使用的是svm.SVC，这是一个分类算法（支持向量分类）。你可以在这个数据集上使用svm.SVR进行回归分析。
import matplotlib.pyplot as pltfrom sklearn import datasetsfrom sklearn import svmboston = datasets.load_boston()X, y = boston.data, boston.targetreg = svm.SVR(gamma=0.001, C=100.)reg.fit(X, y)predictions_training_set = reg.predict(X)任何算法的predict函数都会接受一个参数，即用于进行预测的数据集（X）。在上面的代码中，我使用了训练集来进行预测。通常情况下，你需要进行训练-测试拆分。cross_validation.training_test_split函数非常方便。http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.train_test_split.html
