Python案例 | SVR预测钢筋混凝土梁长期挠度

SVR的简单实例应用 在开始实例应用前先明确一般的操作步骤: 导入数据 分割训练集和测试集 数据预处理 建模 模型测试与模型评价 话不多说,我们直接开始吧! 导入数据: # 导入需要的库函数 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split data = pd.read_excel(... 阅读详情

前言

支持向量回归(SVR, Support Vector Regression)是一种监督学习算法,用于预测离散值,背后的基本思想是找到最佳拟合线,即点数最多的超平面。SVR的主要优点之一是计算复杂度不依赖于输入变量的维数,此外,它还具有出色的泛化能力,具有很高的预测精度。

SVR用于回归问题,具体原理的解释可下载原文或在微信公众号、CSDN和B站等网站检索学习。

笔者认为,对于代理模型/机器学习算法理论的学习应配合具体案例代码。因此,本文将通过一个钢筋混凝土梁长期挠度预测实验数据集,使用python来展示SVR的回归建模效果。

1. 数据来源

本文所采用的钢筋混凝土梁长期挠度数据集来源于之前在世界各地进行的实验工作中收集的包含217个测试的数据集。详细的数据库由Espion[1]从29个不同的研究计划中总结和记录。

下表给出所使用数据的变量名称和统计描述

需要该数据集可关注公众号"UQLearner",后台回复“Espion”获取。
在这里插入图片描述
数据收集不易,如果对您发表文章有用,还请引用文章:

Dan, W.; Yue, X.; Yu, M.; Li, T.; Zhang, J. Prediction and Global Sensitivity Analysis of Long-Term Deflections in Reinforced Concrete Flexural Structures Using Surrogate Models. Materials 2023, 16 (13), 4671. https://doi.org/10.3390/ma16134671.

2. Python代码实现

# 使用SVR预测钢筋混凝土梁长期挠度
# Edit by Yue
# 2024.8.14
###################### 1. 导入必要的第三方库库 ######################
import numpy as np
import matplotlib
matplotlib.use('TkAgg') # 用于指定matplotlib使用TkAgg后端进行图形渲染。TkAgg是matplotib的一个后端,它使用Tkinter库来创建图形窗口并显示图表。
import matplotlib.pyplot as plt
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn import preprocessing
import pandas as pd

###################### 2. 读取钢筋混凝土梁长期挠度数据 ######################
Data = pd.read_excel('Long-Term Deflection of Reinforced Concrete Beams_New.xlsx')  # 读取钢筋混凝土梁长期挠度数据
print(Data.describe())                       # 输出数据的统计信息,包括计数、平均值、标准差、最小值、最大值、中位数、25%的分位数和75%的分位数。
pd.set_option('display.max_columns', None)   # 设置显示数据的所有列
print(Data)         # 打印显示所有的列的数据
print(Data.head())  # 显示数据的前5行

###################### 3. 数据预处理 ######################
X = Data.drop(columns=['X2', 'Y'])  # 删除输出列
features = X.columns                # 将X每个变量的每个变量名提取出来,用于后续的特征重要性分析
X = preprocessing.scale(X)          # 进行标准化处理
y = Data['Y']                       # 模型输出为数据中的“Y”列

###################### 4. 数据集划分 ######################
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=50)  # 划分训练集和测试集
# 4. 支持向量回归(SVR)
svr = SVR(kernel='rbf')
# 网格搜索调参
param_grid_svr = {'C': [0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1, 'scale']}
grid_svr = GridSearchCV(svr, param_grid_svr, cv=5, scoring='neg_mean_squared_error')
grid_svr.fit(X_train, y_train)
svr_best = grid_svr.best_estimator_

###################### 5. 模型评估 ######################
y_train_pred = svr_best.predict(X_train)  # 预测输出
y_test_pred = svr_best.predict(X_test)  # 预测输出

# 训练集均方根误差
RMSE_train = np.sqrt(mean_squared_error(y_train, y_train_pred))
print(f'训练集RMSE:{RMSE_train: .4f}')    # 打印输出RMSE值
# 训练集决定系数R2
R2_train =r2_score(y_train, y_train_pred)
print(f'训练集R2:{R2_train: .4f}')        # 打印输出R2值

# 测试集均方根误差
RMSE_test = np.sqrt(mean_squared_error(y_test, y_test_pred))
print(f'测试集RMSE:{RMSE_test: .4f}')    # 打印输出RMSE值
# 测试集决定系数R2
R2_test =r2_score(y_test, y_test_pred)
print(f'测试集R2:{R2_test: .4f}')        # 打印输出R2值

###################### 6. 可视化实际值与预测值的关系 ######################
plt.subplot(1, 2, 1)
plt.scatter(y_train, y_train_pred, alpha=0.3, label='SVR')   # CatBoost与真实值的比较
plt.plot([y_train.min(), y_train.max()], [y_train.min(), y_train.max()], 'r--', lw=2, label='Best Line of Fit') # 最优拟合线
plt.xlabel('Actual')
plt.ylabel('Predicted')
plt.title(f'Actual vs Predicted \nR2_train: {R2_train: .4f}')
plt.legend()

plt.subplot(1, 2, 2)
plt.scatter(y_test, y_test_pred, alpha=0.3, label='SVR')          # CatBoost与真实值的比较
plt.plot([y_test_pred.min(), y_test_pred.max()], [y_test_pred.min(), y_test_pred.max()], 'r--', lw=2, label='Best Line of Fit') # 最优拟合线
plt.xlabel('Actual')
plt.ylabel('Predicted')
plt.title(f'Actual vs Predicted \nR2_test: {R2_test: .4f}')
plt.legend()

plt.tight_layout()  # 自动调整图形的布局,确保元素如坐标轴标签、刻度和标题不会重叠
plt.show()          # 显示图像

3. 结果展示

从上图展示的结果来看,SVR可用于钢筋混凝土梁长期挠度的预测。

参考文献

[1] Espion B (1988a) Long term sustained loading tests on reinforced concrete beams. Bull Serv Génie Civil

python机器学习库scikit-learn:SVR的基本应用 阅读详情

相关推荐

svr预测python代码_SVR入门介绍(Python代码)

一. SVR原理简述 在前面的文章中详细讨论过关于线性回归的公式推导,线性回归传送站。线性回归的基本模型为: ,从某方面说这和超平面的的表达式: 有很大的相似性。但SVR认为只要 与 不要偏离太大即算预测正确, 为拟合精度控制参数。如图所示:SVR 示意图从图例中分析,支持向量机回归与线性回归相比,支持向量回归表示只要在虚线内部的值都可认为是预测正确,只要计算虚线外部的值...

weixin_33514582的博客 9559

一个完整详细的二维SVR案例分析过程

文章目录 案例介绍 数据预处理 函数拟合仿真 SVR建模 模型调参 案例介绍 首先,此次案例是以油气开发为背景,选取加粗样式其中重要的两个参数含油饱和度和孔隙度分别作为此次案例的自变量和因变量进行试验。按照正常的案例分析步骤进行操作,此次为了凸显程序效果会加上许多绘图效果。 数据预处理 导入Python库与所需数据集: import pandas as pd import matplotlib...

Rookie 8808

国标混凝土结构设计规范的混凝土本构关系——基于python代码生成

国标混凝土本构关系

George的博客 1260

Python实现猎人猎物优化算法(HPO)优化支持向量机回归模型(SVR算法)项目实战

Python实现猎人猎物优化算法(HPO)优化支持向量机回归模型(SVR算法)项目实战

张陈亚的博客 2456

SVR(Python)的使用示例

Python 语言调用SVR算法实现回归分析,代码示例,线性回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。 在统计学中,线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。

从报错到定位:Memtest86 DQ位算法解析与实践指南

本文深入解析了Memtest86内存测试工具报错信息的解读方法,重点介绍了通过地址解析、数据转换、位比对和DQ定位四步算法,精准锁定故障DQ位的实践流程。文章以DDR4和DDR5为例,详细拆解了从十六进制报错到二进制比对的完整步骤,并提供了从单个报错分析到故障模式诊断的进阶指南,帮助用户将抽象的报错信息转化为具体的维修或排查依据。

sre5engineer的博客 490

学习笔记:MATLAB+libsvm的SVR简单实例

原博客:http://www.matlabsky.com/thread-12390-1-1.html              http://www.matlabsky.com/thread-18552-1-1.html回归问题,个人理解是相当于有一个函数y=f(x)(也可能是n维的函数),这个函数可能是知道表达式,也可能不知道表达式。我们需要通过一组向量(x,y)进行训练得到一个模型model,...

folk_的博客 2万+

UE游戏引擎材质简单入门

什么是物体的材质,材质属性定义了物体的某些特性,从而决定了物体表面是如何与光线相作用的。UE中物理基础渲染(Physically Based Rendering OR PBR)几乎可以让我们模拟显示世界中的任何材质。那么如何在UE中制作出真实的PBR材质,基于我们提供的游戏引擎插件,如何将这些材质资源导出,并应用到 SuperMap iClient3D for Cesium/WebGL 平台上,提升模型的显示效果呢,下面小编将详细讲解一下。

m0_71055362的博客 2514

SVR支持向量回归例子

SVR支持向量回归例子欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用M...

qq_36672227的博客 4434

opencv+nvcodec实现视频硬解码

最近遇到一个新项目,AI推理在上,为了方便和节省成本的考虑决定研究下模块。根据官网的说法显卡具有独立的和模块,所以理论上和是独立互不干涉的。以前的项目都只是把显卡当成推理工具,没有将它的功能利用起来,本身也是一种浪费。事实真的有这么丝滑吗?看到这里,如果你真的觉得是白叫的那就真的是了,事实究竟如何,请听我娓娓道来。NVCODEC全称是 NVIDIA VIDEO CODEC,是NVIDIA为绝大多数显卡配置的硬件编解码单元。不一定是所有显卡都有,一般来讲越新的显卡硬件编解码就越强,支持的格式也就越新。

jiexijihe945的博客 1万+

【STM32】基于STM32F103C8T6实现步进电机精准调速控制

本文详细介绍了如何使用STM32F103C8T6微控制器实现步进电机的精准调速控制。通过利用其内置定时器生成PWM脉冲,替代低效的延时方法,并结合TB6600驱动器进行硬件连接,可实现平滑、高效的电机速度控制。文章提供了基于HAL库的代码实战,包括速度与方向设置函数,并探讨了加减速规划等高级应用,帮助开发者彻底掌握步进电机驱动技术。

weixin_29169899的博客 488

SVR-支持向量机的回归应用

支持向量机的回归应用 本文的思想延续自 基于核方法的支持向量机的思想 ,感兴趣的同学可以移步。 本文的公式推导核部分图片截取自PRML,在此表示感谢! 综述 目标函数确定 增加松弛变量 求解 总结 综述     在线性回归模型中我们最小一个正则化的误差函数来求解参数得到一个拟合的回归方程。12∑n=1N{yn−tn}2−λ2∥w∥212∑n...

stranger_man的博客 7207

ESP32S3开发板玩转多语言AI对话:小智语音机器人粤语/日语/韩语实测

本文基于正点原子ESP32S3开发板,实测了“小智AI”语音机器人的多语言对话能力。项目巧妙整合云端AI与嵌入式硬件,实现了对粤语、日语、韩语等语言的实时识别与合成,为开发者和爱好者提供了一个低成本、可玩性高的跨语言人机交互开发平台。

h9j8k7l6m5n的博客 549

sklearn数据映射之分位数均匀分布映射-Quantile_tranformer

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn import preprocessing import numpy as np import matplotlib.pyplot as plt #load the iris dataset...

qq_30477323的博客 5110

【Bug已解决】Codex capacity errors 自动重试与意图保留 解决方案

原始报错:Codex Desktop: capacity errors should preserve intent and auto-retry instead of handing model routing back to the user场景:向模型服务发请求时遇到容量错误(服务端繁忙 / 限流 / 容量不足),客户端不做任何重试,直接把"请求失败,请选择另一个模型或重试"的锅甩给用户,让用户手动去点。用户本来只是想完成一次任务,却被中途打断去当"调度员"。

博客 282

SAP Business Technology Platform 支持的技术栈

SAP Business Technology Platform(简称 BTP)是 SAP 提供的一个综合技术平台,旨在帮助企业实现业务转型和创新。BTP 融合了数据库管理、应用开发、集成、分析和智能技术,为企业提供从基础架构到端到端应用的全面服务。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1568

Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例

原文链接:http://tecdat.cn/?p=24875 原文出处:拓端数据部落公众号 支持向量回归(SVR)是一种回归算法,它应用支持向量机(SVM)的类似技术进行回归分析。正如我们所知,回归数据包含连续的实数。为了拟合这种类型的数据,SVR模型在考虑到模型的复杂性和错误率的情况下,用一个叫做ε管(epsilon-tube,ε表示管子的宽度)的给定余量来接近最佳值。 在本教程中,我们将通过在 Python 中使用 SVR ,简要了解如何使用 SVR 方法拟合和预测回归数据。教程涵盖: ..

大数据部落 4934

Proxmox(pve)集群(4)存储(1)配置分布式存储ceph

它使用一种称为CRUSH(Controlled Replication Under Scalable Hashing)算法的数据分布算法来将数据均匀地分布在多个存储节点上,并确保数据的冗余和容错。它负责管理数据的分布、冗余和自动修复。PVE支持本地存储、LVM、NFS、iSCSI、CephFS、RBD、ZFS等存储方式,我这里使用两种存储方式,一种是通过ceph实现分布式存储,一种是通过truenas实现集中式存储。自我管理和自动恢复:Ceph具有自我管理的特性,可以动态地调整和优化存储集群的配置。

Monster✺◟(∗❛ัᴗ❛ั∗)◞✺的博客 2638

支持向量机(预测)

在训练样本时搜索更加有效的那部分数据而不是所有数据,这种数据我们称为“支持向量”。对于支持向量的回归预测,采用不同的核函数会有不用的性能,下面不去介绍具体的算法,而是采用预测波斯顿房价一个案例来介绍三种不同核函数下的支持向量机的回归预测模型,并比较他们的性能。 使用的语言是python3.6版本,集成环境是Anaconda3。 1、源代码 from sklearn.datasets im

贼贼弟的博客 2万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

【机器学习】SVR支持向量机回归

回归和分类从某种意义上讲,本质上是一回事。SVM分类,就是找到一个平面,让两个分类集合的支持向量或者所有的数据(LSSVM)离分类平面最远;SVR回归,就是找到一个回归平面,让一个集合的所有数据到该平面的距离最近。   我们来推导一下SVR。根据支持向量机二分类博客所述,数据集合归一化后,某个元素到回归平面的距离为r=d(x)−g(x)r=d(x)-g(x)。另外,由于数据不可能都在回归平面上,

artzers的专栏 4万+

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

支持向量机学习之3-SVR(回归)

支持向量机系列学习笔记包括以下几篇: Spark机器学习系列之13: 支持向量机SVM :http://blog.csdn.net/qq_34531825/article/details/52881804 支持向量机学习之2:核函数http://blog.csdn.net/qq_34531825/article/details/52895621 支持向量机学习之3:SVR(回归)http:/

qq_34531825的博客 5万+

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Python 西瓜书机器学习支持向量机(SVM)

%matplotlib inline #为了在notebook中画图展示 import numpy as np import matplotlib.pyplot as plt from scipy import stats import seaborn as sns; sns.set() #随机来点数据 #其中 cluster_std是数据的离散程度 from sklearn.datasets.samples_generator import make_blobs X, y = make_b...

weixin_44056948的博客 1303

支持向量回归(SVR)的详细介绍以及推导算法

1 SVR背景 2 SVR原理 3 SVR数学模型 SVR的背景 SVR做为SVM的分支从而被提出,一张图介绍SVR与SVM的关系 这里两虚线之间的几何间隔r=d∣∣W∣∣\frac{d}{||W||}∣∣W∣∣d​,这里的d就为两虚线之间的函数间隔。 (一图读懂函数间隔与几何间隔) 这里的r就是根据两平行线之间的距离公式求解出来的 SVR的原理 SVR与一般线性回归的区别 SVR 一般线性回归 1.数据在间隔带内则不计算损失,当且仅当f(x)与y之间的差距的绝对值大于ϵ\

weixin_41940690的博客 15万+

SVM案例

1 原理概述 今天,我们将基于我们已经学过的理论,开始对核函数性质的探索。支持向量机分类器,是在数据空间中找出一个超平面作为决策边界,利用这个决策边界来对数据进行分类,并使分类误差尽量小的模型。决策边界是比所在数据空间小一维的空间,在三维数据空间中就是一个平面,在二维数据空 间中就是一条直线。 平行于决策边界的两条虚线是距离决策边界相对距离为1的超平面,他们分别压过两类样本中距离决策边界最近的样...

Kyrie_Irving的博客 4124

利用支持向量机(回归)SVR进行回归预测(复习8)

本文是个人学习笔记,内容主要基于支持向量机(回归)SVR对boston数据集学习回归模型和利用模型预测。 SVR同SVC一样,是从训练数据中选取一部分更加有效地支持向量,根据这些训练样本的值通过回归分析预测目标。 在SVM里,核函数是一种非常有用的特征映射技巧,径向基核函数对特征可以进行非线性映射。 from sklearn.datasets import load_boston bosto

公众号:瑞行AI 5万+
上一篇: Python案例 | LightGBM预测钢筋混凝土梁长期挠度
下一篇: MATLAB R2023b配置Fortran编译器
半撅儿
博客等级 码龄8年 1316粉丝 54原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址