Time series forecasting mit scikit lernen

Sollten Sie verwenden SVR diese Weise:

# prepare model and set parameters
svr_model = SVR(kernel='linear', C=1e3)
# fit your model with the training set
svr_model.fit(TRAINIG_SET, TAINING_LABEL)
#predict on a test set
svr_model.predict(TEST_SET)

So, das problem hier ist, dass Sie haben eine Ausbildung festgelegt aber nicht ein test-set zum Messen Ihres Modell-Genauigkeit. Die einzige Lösung ist die Verwendung eines Teil Ihrer Ausbildung legen Sie als test-set ex: 80% for train 20% for test

BEARBEITEN

Hoffe, ich habe gut verstanden, was Sie wollen, aus Ihren Kommentaren.

So dass Sie wollen, um vorherzusagen den nächsten label für die Letzte Stunde in Ihrem Zug-set, hier ist ein Beispiel, was Sie wollen:

from sklearn.svm import SVR
import random
import numpy as np

'''
data: the train set, 24 elements
label: label for each time
'''

data = [10+y for  y in [x * .5 for x in range(24)]]
label =  [z for z in [random.random()]*24]

# reshaping the train set and the label ...

DATA = np.array([data]).T
LABEL = np.array(label)

# Declaring model and fitting it

clf  = SVR(kernel='linear', C=1e3)
clf.fit(DATA, LABEL)

# predict the next label 

to_predict = DATA[DATA[23,0]+0.5]

print clf.predict(to_predict)

>> 0.94407674

InformationsquelleAutor farhawa