SVM回归用于预测？

Question

SVM回归用于预测？

4

我希望使用支持向量机（SVM）进行预测。我已经编写了以下代码，使用matlab函数fitrsvm和predict：

tb = table(x,y)                                                  
Mdl = fitrsvm(tb,'y','KernelFunction','gaussian')                                                                          
YFit = predict(Mdl,tb);                                
scatter(x,y);                                                   
hold on                                                
plot(x,YFit,'r.')

我得到的输出结果是

。这里蓝色代表测试值（tb），红色代表使用SVM算法的预测值。显然，这个预测是错误的。是否有人能告诉我如何改进预测，使其更接近实际测量值？

- Ankita

1

默认情况下，fitrsvm使用线性核函数，从而得到一个线性回归模型。您应该指定您的核函数来执行非线性拟合。请注意，在您的情况下，回归拟合可能更为适当。 - m7913d

你如何按照给出的格式添加内核函数？我尝试了但是给了我一个错误。有什么想法吗？ - Ankita

我想要添加高斯核。 - Ankita

我已经尝试过了，但预测仍然不太准确，请看看是否有任何改进的想法？ - Ankita

我刚刚完成了。请看一下。 - Ankita

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- FesianXu · Accepted Answer

你应该使用像RBF或高斯函数这样的核函数。

SVM的默认核是K(xi，xj）= xi*xj，它是一个线性核。当然，你只能得到线性回归结果。

代码如下：

x = 0:0.01:5 ;
y = sin(x)+rand(1, length(x)) ;
x = x' ;
y = y' ;
tb = table(x,y) ;
Mdl = fitrsvm(tb,'y','KernelFunction','gaussian');
YFit = predict(Mdl,tb);                                
scatter(x,y);                                                   
hold on                                                
plot(x,YFit,'r.')

=======================================================================
关于结果的准确性，它取决于许多因素，如内核类型、惩罚系数调整或其他因素，通常需要四次调整参数。交叉验证可以帮助您找到一组好的参数。