机器学习：SVR支持向量机回归

最新推荐文章于 2024-06-11 18:19:31 发布
最新推荐文章于 2024-06-11 18:19:31 发布
阅读量3.5w 收藏 43
点赞数 5
分类专栏： MachineLearning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liyaohhh/article/details/51077082
版权

                                     机器学习：SVR支持向量机回归


     一直以来接触的都是支持向量去做分类，这里稍微谈一下SVR，就是用支持向量去做回归。SVR最回归在本质上类似于SVM，都有一个margin，只不过是这里的margin表示和SVM是不相同的，完全相反。在SVM中的margin是想把两个class分开，而这里SVR的margin是说:在margin里面的的数据是不会对对回归有任何的帮助，也就是没有贡献，说白了就是这里的数据我们认为他就是正确的，不用对margin里面的书data进行惩罚。


   上图所示的就是最小二乘，为了和前面的SVM进行区分，回归一下SVM的表达式



    SVM的表达式里面的就是对分类正确和分类错误进行不同的惩罚。相同之处就是用的都是L2正则化。哈哈，这样的好处就是可以上高斯核嘛。如下图所示:


    

      对于SVR我们在求偏导之后的得到参数β是这样的


     

      你会发现，如此的简洁，并不像我们谈到的逻辑帝回归那样需要迭代，并且这里的最终结果总是可逆的，唯一的不足就是时间复杂度，数据样本的三次方啊，三次方啊。要是有一千个数据样本你怎么办？所以和罗斯蒂回归相比较，SVR在数据样本相对比较大的时候几乎是一个灾难，而罗斯蒂回归在数据的维度很大的时候是一个灾难。

   更加具体的参考这里


liyaohhh
关注
  • 5
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
机器学习二十二：支持向量机回归SVR
AI玩转智能
11-16 5056
AI菌在前四篇里面我们讲到了SVM的线性分类和非线性分类（核函数），以及在分类时用到的SMO算法。这些都关注于SVM的分类问题。实际上SVM也可以用于回归模型，本篇就对如何将SVM用于回归模型做一个总结。回归和分类从某种意义上讲，本质上是一回事。SVM分类，就是找到一个平面，让两个分类集合的支持向量或者所有的数据离分类平面最远；SVR回归，就是找到一个回归平面，让一个集合的所有数据到该平面的距离最
【机器学习系列】之支持向量回归SVR
qq_41995574的博客
05-08 6207
作者：張張張張 github地址：https://github.com/zhanghekai 【转载请注明出处，谢谢！】
【支持向量机SVM系列教程3】支持向量回归SVR
qq_42554780的博客
09-30 6252
3 支持向量回归SVR 使用支持向量机算法不仅能解决分类问题，还能解决回归问题。 3.1 解决的目标 支持向量回归所要解决的问题是：对于给定如下的的训练数据集， D={(x1,y1),(x2,y2) ...,(xm,ym)},yi∈R D=\{(\boldsymbol x_1,y_1),(\boldsymbol x_2,y_2) \,...,(\boldsymbol x_m,y_m)\},y_i \in \mathbb{R} D={(x1​,y1​),(x2​,y2​)...,(xm​,ym​)},yi​∈
回归——支持向量机回归(SVR)
slx_share的博客
05-04 2万+
支持向量机回归(SVR)是支持向量机在回归问题上的应用模型。支持向量机回归模型基于不同的损失函数产生了很多变种。本文仅介绍基于ϵϵ\epsilon不敏感损失函数的SVR模型。 核心思想 找到一个分离超平面(超曲面)，使得期望风险最小。 ϵϵ\epsilon-SVR ϵϵ\epsilon-损失函数 ϵϵ\epsilon-损失函数，就是当误差小于ϵϵ\epsilon时，该误差可忽...
支持向量机（SVM）
最新发布
m0_73598472的博客
06-11 825
支持向量机（Support Vector Machine，简称SVM）是一种用于分类和回归分析的监督学习模型。SVM通过在特征空间中寻找一个最佳的分离超平面，以最大化类间间隔，实现对数据的分类。
机器学习——支持向量回归(SVR)
影龙武的博客qq_43594119
02-25 2745
机器学习——支持向量回归(SVR) educoder平台练习题 1.线性可分支持向量机 题目 2.线性支持向量机 import pandas as pd #获取训练数据 train_data = pd.read_csv('./step1/train_data.csv') #获取训练标签 train_label = pd.read_csv('./step1/train_label.csv') train_label = train_label['target'] #获取测试数据 test_da
【项目实战】Python实现支持向量机SVM回归模型(SVR算法)项目实战
热门推荐
胖哥真不错的博客
12-15 5万+
Python实现支持向量机SVM回归模型(SVR算法)项目实战。
机器学习之支持向量回归（SVR）预测房价—基于python
qq_45856698的博客
04-01 1万+
本期使用爬取到的有关房价数据集data.csv，使用支持向量回归（SVR）方法预测房价。该数据集中“y1”为响应变量，为房屋总价，而x1-x9为特征变量，依次表示房屋的卧室数量、客厅数量、面积、装修情况、有无电梯、、房屋所在楼层位置、有无地铁、关注度、看房次数共计9项。数据集data.csv可在文末获取。
Matlab实现SVR支持向量机回归的时间序列预测（完整源码和数据）
07-11
Matlab实现SVR支持向量机回归的时间序列预测（完整源码和数据） Matlab实现SVR支持向量机回归的时间序列预测（完整源码和数据） Matlab实现SVR支持向量机回归的时间序列预测（完整源码和数据） Mean squared error =...
python 机器学习之支持向量机非线性回归SVR模型
09-19
主要介绍了python 机器学习之支持向量机非线性回归SVR模型，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Matlab实现EMD-SVR经验模态分解结合支持向量机回归的时间序列预测（完整源码和数据）
07-11
Matlab实现EMD-SVR经验模态分解结合支持向量机回归的时间序列预测（完整源码和数据） Matlab实现EMD-SVR经验模态分解结合支持向量机回归的时间序列预测（完整源码和数据） Mean squared error = 6.1843e-05 ...
机器学习之多分类问题的支持向量机—基于python
qq_45856698的博客
04-02 2972
​本期使用UCIMachine Learning Repository 的液体超声波流量计（liquid ultrasonic flowmeter）数据Meter_D.csv，进行多分类问题的SVM估计。其中V44为响应变量，表示流量计的四种不同状态（1为Healthy，2为Gas injection，3为Installation effects，4为Waxing）。V1-V43为流量计的一系列度量指标，均为数值型变量。研究目的是根据这些指标判断流量计的质量状况。 ​
Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例
大数据部落
12-28 4459
原文链接：http://tecdat.cn/?p=24875 原文出处：拓端数据部落公众号 支持向量回归（SVR）是一种回归算法，它应用支持向量机（SVM）的类似技术进行回归分析。正如我们所知，回归数据包含连续的实数。为了拟合这种类型的数据，SVR模型在考虑到模型的复杂性和错误率的情况下，用一个叫做ε管（epsilon-tube，ε表示管子的宽度）的给定余量来接近最佳值。 在本教程中，我们将通过在 Python 中使用 SVR ，简要了解如何使用 SVR 方法拟合和预测回归数据。教程涵盖： ..
支持向量回归SVR实例
天道酬勤
06-30 3264
与传统的回归方法不同，SVR通过使用支持向量机（Support Vector Machine，简称SVM）的思想，将回归问题转化为求解一组支持向量的问题。核函数可以将输入数据从原始特征空间映射到一个更高维度的特征空间，从而使数据在新的空间中更容易分离。通过合适的参数选择和核函数设计，可以获得较好的预测性能。SVR的目标是找到一个函数，该函数可以将输入数据映射到高维空间，并在该空间中找到一个超平面，使得输入数据在该超平面上的投影与目标值的差距最小。核函数选择：选择适当的核函数，并确定核函数的参数。
利用支持向量回归（Support Vector Regression, SVR）进行回归的原理与python代码
qlkaicx的博客
05-07 2921
在这个简单的示例中，我们首先构造了一个一维的随机数据集，并根据正弦函数模拟回归过程。接着，在数据集中加入了一定的噪声，并使用SVR训练了回归模型。最后，我们将实际数据点和预测结果展示在了同一张图表上。需要注意的是，这个简单的示例代码并没有包含优化超参数的操作，因此在实际应用中还需要进一步地调整模型参数（如C、gamma和epsilon等）来避免过度拟合或欠拟合情况，以获得更好的性能表现。
【Python】 7 机器学习：SVM（SVR）（GA遗传\grid网格）
孙谨谦的博客
07-28 4647
Python:机器学习：SVM（SVR）（GA遗传\grid网格）
python svr回归_使用sklearn库中的SVR做回归分析
weixin_39543655的博客
12-10 5181
sklearn中的回归有多种方法，广义线性回归集中在linear_model库下，例如普通线性回归、Lasso、岭回归等；另外还有其他非线性回归方法，例如核svm、集成方法、贝叶斯回归、K近邻回归、决策树回归等，这些不同回归算法分布在不同的库中。本示例主要使用sklearn的多个回归算法做回归分析、用matplotlib做图形展示。数据源文件regression.txt位于“附件-chapter4...
支持向量回归SVR
m0_46371988的博客
05-13 3131
支持向量回归算法在做大型项目，尤其是数据标签等相对复杂的项目时特别有用。 支持向量回归算法无论在线性回归场景还是非线性回归场景都有广泛的应用。 SVR在驱动上有很多不同的类型，但应用最广泛的是高斯核和径向基函数核。 好处是可以极大地减少计算的消耗。 SVR能够对输入空间进行分类，获取一个预估器，不需要对数据进行处理，就能知道数据处于怎样的空间，这可以极大地减少数据的计算，尤其是复杂数据的计算。 因此，SVR在数据量比较大、特征比较多的时候很有应用价值的原因。 ...
sklearn回归模型流程（以SVR为例）
学习笔记
01-19 5120
当有很多模型可以选择，而又不太确定哪个模型比较好的时候，就直接一个一个试过去好了。写了一个我认为的回归模型一般需要的过程。其中有归一化、反归一化、均方误差、拟合曲线、预测曲线等，还有什么需要稍微改改就好了吧。 代码如下： # coding: utf-8 import numpy as np from sklearn import svm import matplotlib.pyplot as plt import matplotlib as mpl from sklearn.preprocessing im
统计学习理论与支持向量机详解
"这篇资料详细介绍了支持向量机（SVM）在统计学习和机器学习中的应用，由昆明理工大学的专家团队编撰。内容涵盖了统计学习理论基础、支持向量机的基本概念、分类与回归的应用、SVM的扩展以及实验工具包的使用，并...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值