建模效果不好原因：

model

• 模型
• 調參。調參可以影響5%的模型準確率。

data

• 不同列差異過大。不同量綱可能導致模型效果不好-->取log/歸一化。
• 同列差距過大，離散化。建模效果肯定不好-->取log/歸一化、刪除異常值

1. 線性模型

1.1 SVR

SVR優點：

• 非線性映射是SVM方法的理論基礎,SVM利用內積核函數代替向高維空間的非線性映射；?
• 支持向量機性能的優劣主要取決于核函數的選取
• 避免了“維數災難”

缺點：

• 用SVM解決多分類問題存在困難?
• SVM算法對大規模訓練樣本難以實施

# SVR from sklearn.svm import SVR x = df_model.drop(['test_result'],axis=1) y = df_model['test_result'] tran_x, test_x, tran_y, test_y = train_test_split(x, y, test_size=0.25, random_state=5) svr = SVR(kernel='linear', C=1.25) svr.fit(tran_x,tran_y) predictions=svr.predict(test_x)

總結

以上是生活随笔為你收集整理的数据挖掘流程（四）：建模调参的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。