使用libsvm进行回归预测



如何使用libsvm进行回归预测
http://www.matlabsky.com/thread-12390-1-1.html
(出处: MATLAB技术论坛)

强烈建议您看这个之前先好好看看这个：

如何使用libsvm进行分类
http://www.matlabsky.com/thread-12379-1-1.html
这里将这个帖子记为（帖子*）
其实我个人感觉分类和回归本质一样的，分类搞清楚了的话，回归也就应该会的了。但有好多朋友对于使用libsvm进行分类会了，但使用libsvm进行回归就行不明白，我也搞不懂，道理都一样的啊，我最开始接触libsvm的时候就是弄明白分类然后回归自然而然就明白了的啊！

好吧，不管了，还是在这里把使用libsvm进行回归预测也说说吧~。

回归和分类本质都是一样，就是有一个输入（属性矩阵或者自变量）然后有输出（分类是分类标签，回归是因变量），也就是相当于一个函数：
                Y = f(x)利用训练集合已知的x，y来建立回归模型model，然后用这个model去预测。
这里面的x就相当于帖子*中的那个属性矩阵data，y相当于帖子*中的label，这样理解就很简单了。我们看下面一个简单的利用libsvm进行回归的例子：

1. 
   
2. %% HowToRegressUsingLibsvm
   
3. % by faruto @ faruto's Studio~
   
4. % http://blog.sina.com.cn/faruto
   
5. % Email:faruto@163.com
   
6. % http://www.MATLABsky.com
   
7. % http://www.mfun.la
   
8. % http://video.ourmatlab.com
   
9. % last modified by 2010.12.28
   
10. %% a litte clean work
    
11. tic;
    
12. close all;
    
13. clear;
    
14. clc;
    
15. format compact;
    
16. %%
    
17. 
    
18. % 生成待回归的数据
    
19. x = (-1:0.1:1)';
    
20. y = -x.^2;
    
21. 
    
22. % 建模回归模型
    
23. model = svmtrain(y,x,'-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');
    
24. 
    
25. % 利用建立的模型看其在训练集合上的回归效果
    
26. [py,mse] = svmpredict(y,x,model);
    
27. figure;
    
28. plot(x,y,'o');
    
29. hold on;
    
30. plot(x,py,'r*');
    
31. legend('原始数据','回归数据');
    
32. grid on;
    
33. 
    
34. % 进行预测
    
35. testx = 1.1;
    
36. display('真实数据')
    
37. testy = -testx.^2
    
38. 
    
39. [ptesty,tmse] = svmpredict(testy,testx,model);
    
40. display('预测数据');
    
41. ptesty
    
42. 
    
43. %%
    
44. toc
    

复制代码

运行结果：

回归.jpg (55.06 KB, 下载次数: 866)

下载附件  保存到相册

2010-12-28 10:14 上传

1. 
   
2. Mean squared error = 9.52768e-005 (regression)
   
3. Squared correlation coefficient = 0.999184 (regression)
   
4. 真实数据
   
5. testy =
   
6.    -1.2100
   
7. Mean squared error = 0.0102555 (regression)
   
8. Squared correlation coefficient = -1.#IND (regression)
   
9. 预测数据
   
10. ptesty =
    
11.    -1.1087
    
12. Elapsed time is 0.133552 seconds.
    

复制代码

上面的代码是对于二次函数y = x^2在[-1,1]上进行回归，并对于testx=1.1进行预测，这里面由于我们知道真实的因变量testy = -1.21，按道理说做预测是不知道待预测的目标量是什么的，否则还预测什么？这里就有好多朋友产生疑惑，说如果不知道待预测的目标量是什么怎么办？答曰：那就随便写一个就行啊！然后又有的朋友会说，那这样生成的回归指标（mse均方根误差，和平方回归系数很不理想啊），操~本身真实的因变量都不知道，这些参考指标在真实的因变量不知道的情况下是没有参考价值的。以前我看到这样的问题，真的抓狂，就不能自己动脑子稍微想一下吗！？

上面使用的参数说明：

　-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
　　1 --v-SVC
　　2 – 一类SVM
　　3 -- e -SVR
　　4 -- v-SVR
　　-t 核函数类型：核函数设置类型(默认2)
　　0 – 线性：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
　　2 – RBF函数：exp(-r|u-v|^2)
　　3 –sigmoid：tanh(r*u'v + coef0)

-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)

-c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

-p p：设置e -SVR 中损失函数p的值(默认0.1)

更多关于libsvm 参数的说明请看
libsvm 参数说明【中英文双语版本】
http://www.matlabsky.com/thread-12380-1-1.html

如果对于标签设置问题您还没有搞懂可以再看看这个：
【转】Matlab中使用libsvm进行分类预测时的标签问题再次说明
http://www.matlabsky.com/thread-12396-1-1.html


更多关于SVM的东西请看：
关于SVM的那点破事[长期更新整理 by faruto]
http://www.matlabsky.com/thread-10966-1-1.html