支持向量机回归也是从训练数据中选取一部分更加有效的支持向量。

仍然是对美国波士顿房价进行预测，这里仅仅描述模型与预测。

首先，使用线性核函数配置的支持向量机进行回归训练

from sklearn.svm import SVR

linear_svr = SVR(kernel='linear')
linear_svr.fit(X_train, y_train)
linear_svr_y_predict = linear_svr.predict(X_test)

使用多项目核函数配置的支持向量机进行回归训练

poly_svr = SVR(kernel='poly')
poly_svr.fit(X_train, y_train)
poly_svr_y_predict = poly_svr.predict(X_test)

使用径向基核函数配置的支持向量机进行回归训练

rbf_svr = SVR(kernel='rbf')
rbf_svr.fit(X_train, y_train)
rbf_svr_y_predict = rbf_svr.predict(X_test)

使用R-squared、MSE和MAE指标对三种配置的支持向量机回归模型进行性能评估

from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error
print 'R-squared value of linear SVR is', linear_svr.score(X_test, y_test)
print 'The mean squared error of linear SVR is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(linear_svr_y_predict))
print 'The mean absoluate error of linear SVR is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(linear_svr_y_predict))