訪問sklearn.svm.SVR的文檔，并查看參數，看到n_jobs了嘛？反正我沒看到，所以它就不能使用線程。你可能會看到，在我們的小型數據集上，差異不大。但是，假設數據集由 20MB，差異就很明顯。然后，我們查看LinearRegression算法，看到n_jobs了嘛？當然，所以這里，你可以指定你希望多少線程。如果你傳入-1，算法會使用所有可用的線程。

這樣：
clf = LinearRegression(n_jobs=-1)

就夠了。雖然我讓你做了很少的事情（查看文檔），讓我給你說個事實吧，僅僅由于機器學習算法使用默認參數工作，不代表你可以忽略它們。例如，讓我們回顧svm.SVR。SVR 是支持向量回歸，在執行機器學習時，它是一種架構。我非常鼓勵那些有興趣學習更多的人，去研究這個主題，以及向比我學歷更高的人學習基礎。我會盡力把東西解釋得更簡單，但是我并不是專家。回到剛才的話題，svm.SVR有一個參數叫做kernel。這個是什么呢？核就相當于你的數據的轉換。這使得處理過程更加迅速。在svm.SVR的例子中，默認值是rbf，這是核的一個類型，你有一些選擇。查看文檔，你可以選擇'linear', 'poly', 'rbf', 'sigmoid', 'precomputed'或者一個可調用對象。同樣，就像嘗試不同的 ML 算法一樣，你可以做你想做的任何事情，嘗試一下不同的核吧。

for k in ['linear','poly','rbf','sigmoid']:
clf = svm.SVR(kernel=k)
clf.fit(X_train, y_train)
confidence = clf.score(X_test, y_test)
print(k,confidence)

linear 0.960075071072
poly 0.63712232551
rbf 0.802831714511
sigmoid -0.125347960903

我們可以看到，線性的核表現最好，之后是rbf，之后是poly，sigmoid很顯然是個擺設，并且應該移除。

所以我們訓練并測試了數據集。我們已經有 71% 的滿意度了。下面我們做什么呢？現在我們需要再進一步，做一些預測，下一章會涉及它。

預測

歡迎閱讀機器學習系列教程的第五章，當前涉及到回歸。目前為止，我們收集并修改了數據，訓練并測試了分類器。這一章中，我們打算使用我們的分類器來實際做一些預測。我們目前所使用的代碼為：
import quandl, math
import numpy as np
import pandas as pd
from sklearn import preprocessing, cross_validation, svm
from sklearn.linear_model import LinearRegression

df = quandl.get("WIKI/GOOGL")
df = df[['Adj. Open', 'Adj. High', 'Adj. Low', 'Adj. Close', 'Adj. Volume']]
df['HL_PCT'] = (df['Adj. High'] - df['Adj. Low']) / df['Adj. Close'] * 100.0
df['PCT_change'] = (df['Adj. Close'] - df['Adj. Open']) / df['Adj. Open'] * 100.0

df = df[['Adj. Close', 'HL_PCT', 'PCT_change', 'Adj. Volume']]
forecast_col = 'Adj. Close'
df.fillna(value=-99999, inplace=True)
forecast_out = int(math.ceil(0.01 * len(df)))
df['label'] = df[forecast_col].shift(-forecast_out)

X = np.array(df.drop(['label'], 1))
X = preprocessing.scale(X)
X = X[:-forecast_out]
df.dropna(inplace=True)
y = np.array(df['label'])
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2)

clf = LinearRegression(n_jobs=-1)
clf.fit(X_train, y_train)
confidence = clf.score(X_test, y_test)
print(confidence)

我會強調，準確率大于 95% 的線性模型并不是那么好。我當然不會用它來交易股票。仍然有一些需要考慮的問題，特別是不同公司有不同的價格軌跡。Google 非常線性，向右上角移動，許多公司不是這樣，所以要記住。現在，為了做預測，我們需要一些數據。我們決定預測 1% 的數據，因此我們打算，或者至少能夠預測數據集的后 1%。所以我們什么可以這樣做呢？我們什么時候可以識別這些數據？我們現在就可以，但是要注意我們嘗試預測的數據，并沒有像訓練集那樣縮放。好的，那么做什么呢？是否要對后 1% 調用preprocessing.scale()？縮放方法基于所有給它的已知數據集。理想情況下，你應該一同縮放訓練集、測試集和用于預測的數據。這永遠是可能或合理的嘛？不是，如果你可以這么做，你就應該這么做。但是，我們這里，我們可以這么做。我們的數據足夠小，并且處理時間足夠低，所以我們會一次性預處理并縮放數據。