支持向量机学习之3-SVR(回归)

支持向量机系列学习笔记包括以下几篇:
Spark机器学习系列之13: 支持向量机SVM :http://blog.csdn.net/qq_34531825/article/details/52881804
支持向量机学习之2:核函数http://blog.csdn.net/qq_34531825/article/details/52895621
支持向量机学习之3:SVR(回归)http://blog.csdn.net/qq_34531825/article/details/52891780

ϵSVR

SVR回归中,基本思路和SVM中是一样的,在ϵSVR[Vapnic,1995] 需要解决如下的优化问题。

min  12||w||2+Ci=1l(ξi+ξi)
s.t.  yi(wTxi+b)<ϵ+ξi(wTxi+b)yi<ϵ+ξiξi,ξi0

细心的读者可能已经发现了与CSVM中的具有相似的地方,但又不太一样,那么如何理解上述公式呢?
假设我们的训练数据集是{(x1,y1),(x2,y2),...(xn,yl)}
我们的目标是找到一个函数,比如线性函数f(x)=wTx+b,使得
如果数据离回归函数的偏差|yiwTxb|<ϵ|(下图非色区域),我们是能接受的,不需要付出任何代价(即不需要在代价函数中体现)。我们只关注偏差大于ϵ的代价。举个例子来说,就好比我们在换外币时,我们并不关注少量ϵ损失,这部分损失是汇率引起的合理损失。
所以约束条件是保证更多多的数据点都在灰色范围内(拟合最佳的线性回归函数,使得更多的点落在我们接受的精度范围内),即|yiwTxb|<ϵ|。但是我们发现,还是会有一部分点,偏差比较大,落在灰色区域之外,所以类似SVM中使用的方法,引入松弛因子,采取软边界的方法,而且上下采取不同的松弛因子ξi,ξi0,这样就不难得出约束条件为:
s.t.  yi(wTxi+b)<ϵ+ξi(wTxi+b)yi<ϵ+ξiξi,ξi0

这里写图片描述
如同SVM中一样的,在多数情况下转换为对偶问题更容易计算。同时还可以计算出wb,直接看文献1吧。
这里写图片描述
这里写图片描述
这里写图片描述
详细推导过程看文献1。

使用核函数的ϵSVR

文献2
这里写图片描述

νSVR

这里写图片描述
Chang and Lin (2002) prove that ϵ-SVR with parameters (C¯¯¯̄ ,ϵ)has the same solution as ν-SVR with parameters(lC¯¯¯̄ ,ν).
其实两种SVR在满足一定条件下,具有相同的解。

优缺点分析

Scikit代码

#-*-coding:utf-8-*- 
import numpy as np  
from sklearn.svm import SVR  
import matplotlib.pyplot as plt  

###############################################################################  
# Generate sample data  
X = np.sort(5 * np.random.rand(40, 1), axis=0)  #产生40组数据,每组一个数据,axis=0决定按列排列,=1表示行排列  
y = np.sin(X).ravel()   #np.sin()输出的是列,和X对应,ravel表示转换成行  

###############################################################################  
# Add noise to targets  
y[::5] += 3 * (0.5 - np.random.rand(8))  

###############################################################################  
# Fit regression model  
svr_rbf10 = SVR(kernel='rbf',C=100, gamma=10.0)  
svr_rbf1 = SVR(kernel='rbf', C=100, gamma=0.1)  
svr_rbf1 = SVR(kernel='rbf', C=100, gamma=0.1)  
#svr_lin = SVR(kernel='linear', C=1e3)  
#svr_poly = SVR(kernel='poly', C=1e3, degree=3)  
y_rbf10 = svr_rbf10.fit(X, y).predict(X)  
y_rbf1 = svr_rbf1.fit(X, y).predict(X) 
#y_lin = svr_lin.fit(X, y).predict(X)  
#y_poly = svr_poly.fit(X, y).predict(X)  

###############################################################################  
# look at the results  
lw = 2 #line width  
plt.scatter(X, y, color='darkorange', label='data')  
plt.hold('on')  
plt.plot(X, y_rbf10, color='navy', lw=lw, label='RBF gamma=10.0')  
plt.plot(X, y_rbf1, color='c', lw=lw, label='RBF gamma=1.0')  
#plt.plot(X, y_lin, color='c', lw=lw, label='Linear model')  
#plt.plot(X, y_poly, color='cornflowerblue', lw=lw, label='Polynomial model')  
plt.xlabel('data')  
plt.ylabel('target')  
plt.title('Support Vector Regression')  
plt.legend()  
plt.show()

RBF不同参数:
这里写图片描述
不同核函数:
这里写图片描述

主要参考文献
(1)A Tutorial on Support Vector Regression ,Alex J
http://www.svms.org/regression/SmSc98.pdf
(2)LIBSVM:A library for Support Vector-Machines Chih-Chung Chang and Chih-Jen Lin
(3)支持向量机回归算法研究 硕士学位论文

©️2020 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客 返回首页
实付0元
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、C币套餐、付费专栏及课程。

余额充值