我正在尝试使用SVM来预测某一特定一维数据的未来值。该数据包含54个月的销售数值及其对应的月份索引，从1到54。第一个问题是我认为SVM可以进行预测，但我对此并不是很确定。据我所知，SVM可以进行分类，但对于回归呢？谁能告诉我SVM为何可以进行回归？

在我的问题中，我尝试将月份索引设置为X，将每个月的数值设置为y。我不太确定这样做是否正确，因为没有标签（或者我尝试使用数值作为标签），特征只有月份索引。

我尝试使用from sklearn import svm进行拟合，结果发现训练集的准确率为100%，而测试集的准确率为0。我不知道哪里出了问题。

这是代码：

import pandas as pdimport numpy as npdf = pd.read_csv('11.csv', header=None, names = ['a', 'b', 'c'])X = df['b'].values.reshape(-1,1)y = df['c'].values.reshape(-1,1)from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)from sklearn import svmclf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')clf.fit(X_train, y_train.ravel())print("training result：",clf.score(X_train, y_train))print("testing result：",clf.score(X_test,y_test))

数据集看起来像这样 X = [1, 2, 3, 4,…,53, 54] 和 y = [90, 18, 65, 150…. 289]，是一维数据集。

回答：

用于回归的SVM称为支持向量回归（SVR），在sklearn模块中可用。

你需要使用svm.SVR()而不是svm.SVC()，并设置适当的参数。是的，一维数据应该没问题。

这里有一个更完整的示例。