Scikit Learn SVR模型不迭代、预测返回全相同值问题求助

核心原因分析 #

• 特征与标签未做标准化处理：SVR（尤其是RBF核）对输入数据的尺度极度敏感，默认参数下如果输入特征（深度）和输出标签（剂量）的数值尺度不匹配，会导致RBF核函数计算的相似度全部接近0，模型无法学到有效规律，最终输出全局均值附近的固定值，你当前输出的1e-15量级数值基本符合这种情况。
• 默认超参数完全不匹配业务场景：SVR默认参数是通用场景下的默认值，针对剂量拟合场景大概率不适配：
  • C（惩罚系数）默认值为1，若标签取值范围较大、或数据噪声低，C过小会导致模型对拟合误差的惩罚力度不足，直接输出无差别的常数
  • epsilon（不敏感损失阈值）默认值为0.1，若你的剂量数值本身量级远小于0.1、或拟合精度要求高于这个阈值，模型会认为所有预测结果都在可接受误差范围内，不需要做差异化拟合
  • gamma（RBF核带宽系数）默认值为1/特征数（你当前单特征场景下默认值为1），如果深度特征的取值跨度大，gamma过大/过小都会导致核函数的区分度趋近于0，模型无法区分不同输入的差异
• 数据集构建错误：你的代码中未展示depths_tot、doses_tot的生成逻辑，可能存在深浅剂量数据拼接错误、剂量数据读取异常全为接近0的数值、特征标签对应关系错位等问题。

对应解决步骤 #

1. 对特征和标签分别做标准化处理，示例代码如下：

from sklearn.preprocessing import StandardScaler
# 特征标准化
x_scaler = StandardScaler()
depths_train_scaled = x_scaler.fit_transform(depths_train.reshape(-1,1))
depths_test_scaled = x_scaler.transform(depths_test.reshape(-1,1))
# 标签标准化（SVR也需要对标签做缩放）
y_scaler = StandardScaler()
doses_train_scaled = y_scaler.fit_transform(doses_train.reshape(-1,1)).ravel()
# 训练模型
custom_reg.fit(depths_train_scaled, doses_train_scaled)
# 预测后逆缩放回原剂量尺度
pred_scaled = custom_reg.predict(depths_test_scaled)
pred = y_scaler.inverse_transform(pred_scaled.reshape(-1,1))

2. 网格搜索适配场景的超参数，示例代码如下：

param_grid = {
    'C': [0.1, 1, 10, 100, 1000],
    'gamma': ['scale', 'auto', 0.001, 0.01, 0.1, 1],
    'epsilon': [0.001, 0.01, 0.1, 0.2]
}
grid = GridSearchCV(svm.SVR(kernel='rbf'), param_grid, cv=5, scoring='neg_mean_squared_error')
grid.fit(depths_train_scaled, doses_train_scaled)
# 用最优参数的模型预测
custom_reg = grid.best_estimator_

3. 检查数据集合法性：打印depths_tot、doses_tot的最大值、最小值、均值、标准差，确认数据读取、拼接逻辑正确，不存在异常值覆盖有效数据的问题。

内容的提问来源于stack exchange，提问作者Reginaldo Leão