基于python向量机算法的数据分析与预测

3.1 数据来源信息

该数据集来源于Kaggle网站，数据集中包含了罗平菜籽油的销售数据，每行数据对应一条记录，记录了罗平菜籽油销售数据。其中，菜籽产量、菜籽价格和菜籽油价格是数值型数据，共2486条数据。

通过读取Excel文件并进行数据预处理，本文可以利用这些数据来进行罗平菜籽油销售数据的分析和预测。部分数据如下图3-1所示:

图3-1数据详情

3.2数据预处理

数据预处理的目的是清洗和准备数据，使其适用于后续的分析和建模。通过删除缺失值和异常值，可以提高数据的质量和准确性，避免错误的影响。而标准化则可以消除不同特征之间的尺度差异，使得模型能够更好地对特征进行学习和预测。通过这些数据预处理方法，本文可以得到更加干净、准确和可靠的罗平菜籽油销售数据集，为后续的分析和建模奠定基础。数据预处理阶段使用了以下几个方法来处理罗平菜籽油销售数据。

缺失值处理,通过使用统计空值方法检查每个字段是否存在缺失值，并使用dropna()方法删除包含缺失值的行。这样可以确保数据的完整性和准确性，避免在后续分析中对缺失值进行处理时引入偏差。异常值处理,首先计算每个字段的均值和标准差，然后根据均值加减3倍标准差的范围确定异常值的上下界，将超出该范围的数据点删除。这样可以有效去除异常值的影响，使得后续分析更加稳定和可靠。数据标准化,使用标准化函数对特征进行标准化处理，将菜籽产量和菜籽价格的数据进行归一化，消除不同特征之间的尺度差异。同时，将菜籽油价格转换为千克单位，以便更好地适应实际应用场景。标准化可以使得数据具有零均值和单位方差，使得模型训练过程更加稳定且更容易收敛。

3.2.1缺失值处理

使用统计空值方法检测每个字段是否存在缺失值。该方法返回一个布尔型的一维对象，其中缺失值对应的位置为True，非缺失值对应的位置为False。

使用删除空值方法删除包含缺失值的行。该方法会删除数据集中存在缺失值的所有行，并在原数据集上进行修改，即对数据集进行了操作。缺失值处理前如下图3-2：

图3-2缺失值处理前

通过这些步骤，可以实现对数据集中缺失值的处理。首先，通过检测每个字段是否存在缺失值，可以了解到数据集中哪些字段存在缺失值。然后，使用删除空值方法，将包含缺失值的行从数据集中删除，以保证数据的完整性和准确性。

3.2.2异常值处理

通过循环遍历数据集的每一列，获取列名列表。对于每一列，首先计算其均值和标准差，使用平均值和标准差方法来计算，确定异常值的上下界。根据均值加减3倍标准差的范围，使用循环遍历数据集中的每一行，检查每个字段的取值是否超出了异常值的上下界。如果某个字段的取值超出了上下界，则将该行数据从数据集中删除，使用删除空值方法进行删除操作。

通过重新设置索引，对数据集的索引进行重新排序，以保证索引的连续性和正确性。

通过以上步骤，可以实现对数据集中异常值的处理。具体地，通过计算均值和标准差，确定异常值的上下界，然后遍历数据集中的每一行，检查每个字段的取值是否超过上下界，如果超出则删除该行数据。这样可以有效去除异常值的影响，使得数据更加可靠和准确。异常值处理结果如下图3-4所示：

3.2.3数据标准化

数据标准化的实现包括以下几个步骤：

通过定位列分别获取特征和目标列。这里假设特征列位于数据集的前面，目标列位于最后一列。使用标准化函数创建一个标准化器对象stand。调用标准化器对象的特征进行标准化处理，将其转换为均值为0、方差为1的标准正态分布，同时进行拟合和转换操作。将目标列中的数据进行单位转换，以便更好地适应实际应用场景。在这个例子中，将菜籽油价格从千克转换为吨，即将每个值除以1000。

4.1 SVM模型构建

SVM 模型实现流程图如下图4-1所示：

图4-1模型实现流程

4.1.1 SVM模型构建原理

SVM 模型构建原理：

数据准备：准备罗平菜籽油销售数据集，包括特征（销售量、销售时间等）和目标变量（销售额等）。

特征工程：对数据进行特征选择、处理和转换，确保特征数据符合 SVM 模型的要求。

SVM 模型训练：使用罗平菜籽油销售数据集训练 SVM 模型，选择合适的核函数（如线性核、多项式核或高斯核）。

模型优化：调整 SVM 模型的超参数（如惩罚系数 C、核函数参数等），以获得最佳的模型性能。

模型评估：使用交叉验证等方法评估模型的性能，确保模型具有较好的泛化能力。

4.1.2 SVM模型评价指标

在 SVM 模型中，评价指标包括：准确率（Accuracy）：(分类正确的样本数占总样本数的比例。精确率（Precision）：预测为正类别且分类正确的样本数占预测为正类别的样本数的比例。召回率（Recall）：预测为正类别且分类正确的样本数占实际正类别的样本数的比例。F1 分数（F1 Score）：精确率和召回率的调和平均数，综合考虑了模型的准确性和召回性能。

其公式如下：

（1）准确率（Accuracy）

其中，TP 表示真正例（True Positive）、TN 表示真负例（True Negative）、FP 表示假正例（False Positive）、FN 表示假负例（False Negative）。

（2）精确率（Precision）

（2）召回率（Recall）

（4）F1 分数（F1 Score）

这些评价指标可以帮助评估分类模型的性能，并提供关于模型在正例和负例分类方面的表现的详细信息。综合考虑精确率和召回率可以更全面地评估模型的性能。

4.2模型评估

对模型进行评估的过程如下所示：使用测试集的特征数据进行预测，将预测结果存储变量中。然后，使用一些评估指标来评估模型的性能。包括均方误差、平均绝对误差和决定系数），分别计算了预测结果与实际结果之间的均方误差、平均绝对误差和决定系数。最后，根据评估结果，可以判断模型的拟合效果和预测准确度。均方误差和平均绝对误差越小，表示模型的预测结果与实际结果越接近；决定系数越接近1，表示模型对观测数据的拟合程度越好。评估结果如下图4-2所示：

图4-2评估结果

根据给定的评估结果，可以得出以下结论：

根据罗平菜籽油销售数据的分析结果显示，经过对 SVM 模型进行参数优化后，得到最佳参数组合为 C=0.1、epsilon=0.3、gamma='scale'、kernel='linear'，对应的最佳 R² 得分为 0.9849。这意味着该 SVM 模型能够解释目标变量约 98.49% 的销售数据方差，具有较高的预测精度。进一步观察不同参数组合的评估结果发现，线性核函数在不同参数下的 R² 得分普遍较高，而径向基核函数的 R² 得分相对较低。参数 C 和 epsilon 对模型性能影响较小，而参数 gamma 的取值对模型性能有一定影响，较小的 gamma 值会导致模型 R² 得分下降。综合来看，经过优化的 SVM 模型在分析罗平菜籽油销售数据方面表现出色，具有较高的预测准确性和稳定性。最终优化后结果如下图4-3所示：

图4-3优化后结果

根据图4-2中罗平菜籽油销售数据的预测值和测试值的折线对比图，可以得出以下结论：

（1）模型预测值与实际测试值整体趋势一致，说明经过优化的 SVM 模型能够较好地拟合销售数据的变化趋势。

（2）预测值与测试值之间的偏差较小，表明该 SVM 模型在预测罗平菜籽油销售数据时具有较高的准确性和稳定性。

（3）随着时间的推移，预测值与测试值之间的偏差保持在较小的范围内，说明该模型对于未来销售数据的预测具有一定的可靠性和稳定性，为销售预测和决策提供了可靠的参考依据。