matlab模拟出现较大误差是什么原因,svm回归误差太大问题|MATLAB 支持向量机|MATLAB技术论坛 - Powered by Discuz!...

我用libsvm-3.1-[FarutoUltimate3.1Mcode]做回归，因为是新手，做了之后误差很大，不知哪里出了问题，请各位大侠指教。

以下是程序：

close all;

clear;

clc;

format compact;

%%

% 生成待回归的数据

xa = (-1:0.1:1)';

xb=(-1:0.1:1)';

x=[xa,xb];

y = -xa.^2+6*xb;

[bestacc,bestc,bestg]=SVMcgForRegress(y,x,-10,10,-10,10)

%先运行上面步骤，得出c,g后，手动输入模型中，然后继续运行

% 建模回归模型

model = svmtrain(y,x,'-s 3 -t 2 -c 1024 -g 0.0825 -p 0.01');

% 利用建立的模型看其在训练集合上的回归效果

[py,mse] = svmpredict(y,x,model);

%看看训练集的回归误差

b=(py-y)./y*100;

a=[x,y,py,py-y,b]

%建立训练集

x1=(3:0.1:5)';

x2=(5:0.1:7)';

y1= -x1.^2+6*x2;

[py1,ms1] = svmpredict(y1,x1,model);

%看看测试误差

b1=(py1-y1)./y1*100;

c=[x1,x2,y1,py1,py1-y1,b1]

下面是结果：

bestacc =

1.5378e-04

bestc =

1024

bestg =

0.0825

>> % 建模回归模型

model = svmtrain(y,x,'-s 3 -t 2 -c 1024 -g 0.0825 -p 0.01');

% 利用建立的模型看其在训练集合上的回归效果

[py,mse] = svmpredict(y,x,model);

%看看训练集的回归误差

b=(py-y)./y*100;

a=[x,y,py,py-y,b]

%建立训练集

x1=(3:0.1:5)';

x2=(5:0.1:7)';

y1= -x1.^2+6*x2;

[py1,ms1] = svmpredict(y1,x1,model);

%看看测试误差

b1=(py1-y1)./y1*100;

c=[x1,x2,y1,py1,py1-y1,b1]

Mean squared error = 5.72249e-05 (regression)

Squared correlation coefficient = 0.999996 (regression)

a =

-1.0000   -1.0000   -7.0000   -6.9894    0.0106   -0.1521

-0.9000   -0.9000   -6.2100   -6.2147   -0.0047    0.0757

-0.8000   -0.8000   -5.4400   -5.4503   -0.0103    0.1890

-0.7000   -0.7000   -4.6900   -4.6996   -0.0096    0.2050

-0.6000   -0.6000   -3.9600   -3.9655   -0.0055    0.1399

-0.5000   -0.5000   -3.2500   -3.2503   -0.0003    0.0078

-0.4000   -0.4000   -2.5600   -2.5553    0.0047   -0.1830

-0.3000   -0.3000   -1.8900   -1.8817    0.0083   -0.4379

-0.2000   -0.2000   -1.2400   -1.2300    0.0100   -0.8093

-0.1000   -0.1000   -0.6100   -0.6001    0.0099   -1.6213

0         0         0    0.0081    0.0081       Inf

0.1000    0.1000    0.5900    0.5951    0.0051    0.8674

0.2000    0.2000    1.1600    1.1616    0.0016    0.1341

0.3000    0.3000    1.7100    1.7080   -0.0020   -0.1161

0.4000    0.4000    2.2400    2.2350   -0.0050   -0.2222

0.5000    0.5000    2.7500    2.7429   -0.0071   -0.2568

0.6000    0.6000    3.2400    3.2319   -0.0081   -0.2502

0.7000    0.7000    3.7100    3.7017   -0.0083   -0.2233

0.8000    0.8000    4.1600    4.1519   -0.0081   -0.1944

0.9000    0.9000    4.5900    4.5816   -0.0084   -0.1821

1.0000    1.0000    5.0000    4.9897   -0.0103   -0.2059

Mean squared error = 311.323 (regression)

Squared correlation coefficient = 0.966799 (regression)

c =

3.0000    5.0000   21.0000    3.4477  -17.5523  -83.5824

3.1000    5.1000   20.9900    3.3541  -17.6359  -84.0203

3.2000    5.2000   20.9600    3.2494  -17.7106  -84.4971

3.3000    5.3000   20.9100    3.1341  -17.7759  -85.0117

3.4000    5.4000   20.8400    3.0087  -17.8313  -85.5628

3.5000    5.5000   20.7500    2.8740  -17.8760  -86.1495

3.6000    5.6000   20.6400    2.7305  -17.9095  -86.7706

3.7000    5.7000   20.5100    2.5791  -17.9309  -87.4251

3.8000    5.8000   20.3600    2.4204  -17.9396  -88.1121

3.9000    5.9000   20.1900    2.2551  -17.9349  -88.8306

4.0000    6.0000   20.0000    2.0840  -17.9160  -89.5800

4.1000    6.1000   19.7900    1.9079  -17.8821  -90.3594

4.2000    6.2000   19.5600    1.7275  -17.8325  -91.1683

4.3000    6.3000   19.3100    1.5435  -17.7665  -92.0065

4.4000    6.4000   19.0400    1.3568  -17.6832  -92.8737

4.5000    6.5000   18.7500    1.1681  -17.5819  -93.7699

4.6000    6.6000   18.4400    0.9781  -17.4619  -94.6956

4.7000    6.7000   18.1100    0.7876  -17.3224  -95.6512

4.8000    6.8000   17.7600    0.5971  -17.1629  -96.6380

4.9000    6.9000   17.3900    0.4074  -16.9826  -97.6573

5.0000    7.0000   17.0000    0.2191  -16.7809  -98.7112

>>

截图00.gif (272.74 KB, 下载次数: 4)

2015-6-1 19:45 上传