关于支持向量回归(SVR)目标函数为什么求||w||方最小值问题

SVM:最大化间隔情况下分类正确,以保证泛化能力,故而提升分类精度这个博主写得相当明白
SVR:基于SVM的理解,我觉得应该是求间隔的最小值才对,也就是求min(1/(||w||方)),但是并不是,我搜了好多文章,我感觉其实很多人讲不清楚,我还看见这篇文章说了什么Flatness,我也不明白,不过我感觉我的理解是:硬间隔使得间隔应该尽量小,但是如果太小,则和线性回归差不多了,不满足支持向量机利用结构化风险最小化原则的初衷,所以利用正则化项让间隔不至于过小。暂且就这样解释吧

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
支持向量机回归(SVR)是一种常见的机器学习算法,可以用于对输入变量和输出变量之间的非线性关系进行建模和预测。在Matlab中,可以使用SVR进行多输入多输出的回归分析。 首先,需要准备相关的数据集,包括输入和输出的数据。输入数据应该是一个矩阵,每一行代表一个样本的输入,每一列代表一个特征。同样,输出数据也应该是一个矩阵,每一行代表一个样本的输出,每一列也代表一个特征。 然后,使用Matlab中的svr函数进行建模和预测。svr函数的语法如下: mdl = fitrsvm(X,Y,'KernelFunction',kernel,'KernelScale',kscale) 其中,X是输入数据,Y是输出数据,kernel是核函数类型(比如径向基函数),kscale是核函数的缩放因子。返回的mdl是一个SVR模型对象,可以用于后续的预测。 使用SVR模型进行预测非常简单,只需要使用predict函数,如下所示: y_pred = predict(mdl,X) 其中,y_pred是模型预测的输出值,X是输入数据。 需要注意的是,SVR模型的核函数类型和缩放因子对预测结果影响很大,在建模和预测时需要进行调优。可以使用Matlab中的crossval函数进行交叉验证,以评估模型的性能和选择最佳的参数组合。 总之,使用Matlab实现SVR多输入多输出的回归分析非常简单,只需要准备好数据,选择合适的核函数类型和缩放因子,即可建立预测模型。

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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