用svm建立的模型进行预测，怎么预测的数据完全一样啊？

1、首先输入数据集，分析数据维度，可以看到共有0,1,2,3四个类别，如下图所示。

2、然后导入svm工具包，没有安装sklearn的要先安装svm，如下图所示。

3、数据准备，这里的数据都是数值型变量，且没有空值，直接取X,y变量。

4、建立模型，并进行训练，如下图所示。

5、最后模型预测，有一组新的数据，根据模型预测它的分类，结果为rank=2，如下图所示就完成了。

不知道你要怎样比较预测值和真实值，比如计算一下残差值，或者计算一下均方误差之类看 在Linear Regression对话框，点Save按钮，会出现Linear Regression: Save对话框，在Predicted Values（预测值）和Residuals（残差）栏都选Unstandardized，会在数据表中输出预测值和残差，然后你想怎么比较都行。 判断模型是否有预测能力，其实就是模型检验，模型检验除了统计意义上的检验，还有实际意义上的检验，就是检验是否跟事实相符，比如收入与消费应该是正相关的，如果消费为被解释变量、收入为解释变量，如果收入的系数小于零，那肯定是不对的。 统计意义上的检验，包括参数的T检验，方程的F检验，还要检验残差是否白噪声。 检验模型是否具有外推预测能力，还可以这样做：比如，你收集了一个容量为50的样本，你可以用其中的48个样本点估计模型，然后估计另两个样本点，把估计值跟实际值做一个比较。

en . -s 3是回归模型:

-s svm_type : set type of SVM (default 0)

0 -- C-SVC

1 -- nu-SVC

2 -- one-class SVM

3 -- epsilon-SVR

4 -- nu-SVR

==============

libsvm_options:

-s svm_type : set type of SVM (default 0)

0 -- C-SVC

1 -- nu-SVC

2 -- one-class SVM

3 -- epsilon-SVR

4 -- nu-SVR

-t kernel_type : set type of kernel function (default 2)

0 -- linear: u'*v

1 -- polynomial: (gamma*u'*v + coef0)^degree

2 -- radial basis function: exp(-gamma*|u-v|^2)

3 -- sigmoid: tanh(gamma*u'*v + coef0)

4 -- precomputed kernel (kernel values in training_instance_matrix)

-d degree : set degree in kernel function (default 3)

-g gamma : set gamma in kernel function (default 1/k)

-r coef0 : set coef0 in kernel function (default 0)

-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)

-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)

-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)

-m cachesize : set cache memory size in MB (default 100)

-e epsilon : set tolerance of termination criterion (default 0.001)

-h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)

-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)

-wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)

-v n: n-fold cross validation mode

---