【python】利用 GridSearchCV 和 SVM 进行学生成绩预测

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVR
import numpy as np
 
# 假设 `X_train` 和 `y_train` 是训练数据，`X_test` 是测试数据
X_train = np.array([[1], [2], [3], [4], [5]])
y_train = np.array([1, 2, 3, 4, 5])
X_test = np.array([[1.5], [2.5], [3.5], [4.5]])
 
# 定义SVR模型并设置参数范围
tuned_parameters = [{'kernel': ['rbf'], 'C': [1, 10, 100], 'gamma': [0.1, 0.2, 0.3]}]
 
# 创建并调整GridSearchCV模型
svr = SVR()
grid_search = GridSearchCV(svr, tuned_parameters)
 
# 训练模型
grid_search.fit(X_train, y_train)
 
# 预测
y_pred = grid_search.predict(X_test)
 
# 输出最佳参数和预测结果
print("最佳参数:", grid_search.best_params_)
print("预测结果:", y_pred)

这段代码使用了SVR作为回归模型，并通过GridSearchCV对其中的核函数、C参数和gamma参数进行了网格搜索，以找到最适合预测学生成绩的模型参数。代码中包含了参数定义、模型实例化、模型训练和预测结果输出的全过程。