train.sort_values(by=['mass'], ascending=True, inplace=True)x = train['mass']y = train['pa']# 拟合回归模型svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)svr_lin = SVR(kernel='linear', C=1e3)svr_poly = SVR(kernel='poly', C=1e3, degree=2)x_train = x.reshape(x.shape[0], 1)x = x_trainy_rbf = svr_rbf.fit(x, y).predict(x)y_lin = svr_lin.fit(x, y).predict(x)y_poly = svr_poly.fit(x, y).predict(x)# 查看结果plt.scatter(x, y, c='k', label='data')plt.hold('on')plt.plot(x, y_rbf, c='g', label='RBF model')plt.plot(x, y_lin, c='r', label='Linear model')plt.plot(x, y_poly, c='b', label='Polynomial model')plt.xlabel('data')plt.ylabel('target')plt.title('Support Vector Regression')plt.legend()plt.show()

代码是从http://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html复制而来。我只更改了数据集。我不知道问题出在哪里。

回答：

这很可能与你的数据规模有关。你使用了与示例中相同的惩罚超参数，但你的y值要大得多。因此，SVR算法会倾向于简单性而不是准确性，因为与你的y值相比，你的错误惩罚现在显得较小。你需要将C增加到例如1e6（或者对你的y值进行归一化）。

如果你在他们的示例代码中将C设为非常小的值，例如C=.00001，你会得到与你在代码中得到的相同类型的结果，这可以证明这一点。

（关于算法的更多信息，请参见这里。）

顺便提一下，机器学习实践中的一大块是超参数调优。这是一个很好的例子，说明即使是一个好的基础模型，如果提供了错误的超参数，也会产生不好的结果。