时间序列预测 | SVM时间序列预测建模，单步、多步（Python）

（1）代码解读

scikit-learn 提供了3种支持向量机 (SVM) 的回归器：sklearn.svm.SVR、sklearn.svm.NuSVR和sklearn.svm.LinearSVR：

（a）SVR (Support Vector Regression)

说明：SVR是基于libsvm的支持向量回归的实现。

核函数：可以使用多种核函数，例如线性、多项式、RBF（径向基函数）和sigmoid等。

主要参数：

sklearn.svm.SVR(*, kernel=‘rbf’, degree=3, gamma=‘scale’, coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True, cache_size=200, verbose=False, max_iter=-1)
C: 误差项的惩罚参数。C越大，模型对误差的容忍度越低。

epsilon: ε-不敏感损失函数中的ε。它指定了没有惩罚的训练样本的边界。

kernel: 使用的核函数。例如 ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 或者是一个自定义的函数。

degree: 多项式核函数的度（只在kernel='poly’时使用）。

gamma: ‘rbf’, ‘poly’ 和 ‘sigmoid’ 的核函数系数。

coef0: 多项式和sigmoid核函数的独立项。

shrinking: 是否使用收缩启发式。

其他参数还有tol, cache_size, verbose, max_iter等。

（b）NuSVR

<