Вот вставка кода:Пример кода SVM

Я проверил несколько других ответов на эту проблему ... и кажется, что эта конкретная итерация проблемы немного отличается.

Во-первых, мои входы нормализованы, и у меня есть пять входов на точку. Все значения имеют разумный размер (здоровые 0,5 с и 0,7 с и т. Д. - немногие близки к нулю или почти к 1 числам)

У меня есть около 70 х входов, соответствующих их 70 лет входов. Входы y также нормализованы (они представляют собой процентные изменения моей функции после каждого временного шага).

Я инициализирую свой SVR (и SVC), обучаю их, а затем проверяю их с 30 входными данными вне выборки ... и получаю точно такой же прогноз для каждого входного сигнала (и входные данные меняются в разумных пределах - 0,3, 0,6 0,5 и т. Д.). Я думаю, что классификатор (по крайней мере) будет иметь некоторые различия ...

Вот код, который я получил:

# train svr

my_svr = svm.SVR()
my_svr.fit(x_training,y_trainr)

# train svc

my_svc = svm.SVC()
my_svc.fit(x_training,y_trainc)


# predict regression

p_regression = my_svr.predict(x_test)
p_r_series = pd.Series(index=y_testing.index,data=p_regression)

# predict classification

p_classification = my_svc.predict(x_test)
p_c_series = pd.Series(index=y_testing_classification.index,data=p_classification)

И вот примеры моих входов:

x_training = [[  1.52068627e-04   8.66880301e-01   5.08504362e-01   9.48082047e-01
7.01156322e-01],
              [  6.68130520e-01   9.07506250e-01   5.07182647e-01   8.11290634e-01
6.67756208e-01],
              ... x 70 ]

y_trainr = [-0.00723209 -0.01788079  0.00741741 -0.00200805 -0.00737761  0.00202704 ...]

y_trainc = [ 0.  0.  1.  0.  0.  1.  1.  0. ...]

Иx_test матрица (5х30) аналогичнаx_training матрица с точки зрения величин и дисперсии входных данных ... то же самое дляy_testr а такжеy_testc.

В настоящее время прогнозы для всех тестов абсолютно одинаковы (0,00596 для регрессии и 1 для классификации ...)

Как заставить функции SVR и SVC выдвигать соответствующие прогнозы? Или, по крайней мере, разные прогнозы, основанные на входах ...

По крайней мере, классификатор должен иметь возможность делать выбор. Я имею в виду, даже если я не предоставил достаточно измерений для регрессии ...