我有一个时间序列数据集，表示如下：
x=[
[12.19047619, 18.28571429, 6.0952381 ] ,
[ 80.98765432, 14.17283951, 11.13580247 ] ,
[ 50.82644628, 16.26446281, 9.14876033 ] , .... ]
and to predicted -->
Y = [13.9, 18, 14.987]
如何在 python 中使用 LASSO 和 SVR 线性回归模型来预测 Y（如上例所示，表示为向量）
Lasso 和 SVM 都在 sklearn 库中可用。套索：sklearn.linear_model.Lasso。支持向量机：sklearn.svm.SVT
来自 Lasso 页面的示例：
>>> from sklearn import linear_model
>>> clf = linear_model.Lasso(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
Lasso(alpha=0.1, copy_X=True, fit_intercept=True, max_iter=1000, normalize=False, positive=False, precompute=False, random_state=None, selection='cyclic', tol=0.0001, warm_start=False)
>>> print(clf.coef_)
[0.85 0. ]
>>> print(clf.intercept_)
0.15...
在您的情况下， clf.fit 看起来像这样：
clf.fit(X, Y)
X 应该是大小 (nn,n)
Y 应该是大小 nn
其中 nn 是观测值（点）的数量，n 是变量的数量。所以 X 中的行是观察值，列是不同的变量。
如果您的变量多于观察结果，那么您应该阅读这篇文章，了解您可能遇到的问题以及如何解决这些问题。