支持向量机回归算法matlab,支持向量机到底能不能做回归

最近开始学习,支持向量机到底能不能做回归?能不能达到好的效果,真的很困惑,至少用libsvm没有达到很好的效果,但是漫天飞舞说的天花乱坠的效果非常好的文献是造假的么,很困惑,望高手指导一下,把我自己作的结果发在这看看,构造的函数模型来检验。

clear;clc;

%一元函数回归和预测,没问题

x1=(-1:0.1:1)';

y=-x1.^2;plot(x1,y,'ro');hold on;

model=svmtrain(y,x1,'-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

[py,mse]=svmpredict(y,x1,model);

plot(x1,py,'b*');testx=[1.1 1.2 1.3]';testy=-testx.^2;

%testx=[-0.55 -0.65 -0.75]';testy=-testx.^2;取值在区间内效果比较好,这是我自己做的;

[pyt,mse]=svmpredict(testy,testx, model);%这是视频上的例子

clear;clc;

%一元函数回归和预测,参数寻优再预测,效果非常好

x1=(-1:0.1:1)';

y=-x1.^2;

plot(x1,y,'ro');hold on;

[bestmse,bestc,bestg] = SVMcgForRegress(y,x1,-10, 20, -10, 10);

cmd=['-s 3 -t 2',' -c ', num2str(bestc), ' -g ', num2str(bestg)];

model=svmtrain(y,x1,cmd);

[py,mse]=svmpredict(y,x1,model);

plot(x1,py,'b*');testx=[1.1 1.2 1.3]';testy=-testx.^2.+sin(testx);

[pyt,mse]=svmpredict(testy,testx, model);

clear;clc;

%一元函数回归和预测,参数寻优再预测,效果可以

x1=(-1:0.1:1)';

y=-x1.^2+3*sin(x1);

plot(x1,y,'ro');hold on;

[bestmse,bestc,bestg] = SVMcgForRegress(y,x1,-10, 20, -10, 5);

%cmd=['-s 3 -t 2',' -c ', num2str(bestc), ' -g ', num2str(bestg)];

model=svmtrain(y,x1,'-s 3 -t 2 -c  8 -g 0.5 -p 0.01');

[py,mse]=svmpredict(y,x1,model);

plot(x1,py,'b*');testx=[1.1 1.2 1.3]';testy=-testx.^2.+3*sin(testx);

%二元函数回归和预测,效果非常差

x1=(-1:0.1:1)';x2=(0:0.1:2)';x=[x1 x2];

y=-x1.^3+sin(x2);

[bestmse,bestc,bestg] = SVMcgForRegress(y,x,-10, 30, -10, 10,3,0.5,0.5);

cmd=['-s 3 -t 2',' -c ', num2str(bestc), ' -g ', num2str(bestg)];

model=svmtrain(y,x,cmd);

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

testx1=[1.1 1.2 1.3]';testx2=[2 2.1 2.2]';testy=-testx1.^3+sin(testx2);

[pyt,mse]=svmpredict(testy,[testx1,testx2], model);

p=((pyt-testy)./testy)';

算法优化支持向量机回归是一种针对支持向量机回归模型进行优化的方法。通过对算法进行改进和调整,可以提高支持向量机的预测性能。引用提到了一个麻雀搜索算法优化支持向量机回归预测的MATLAB代码。这个代码可以直接运行,数据集是以EXCEL形式存储的,可以更换数据,并且操作简便。如果在使用这个代码的过程中遇到问题,可以在评论区留言寻求帮助。 另外,引用提到了一种自适应插值法,该方法集成了4种基于opencv的插值方法,并与传统的插值方法进行对比。这种自适应的插值方法与传统的插值方法有所不同,并且据说在效果上应该会比直接使用opencv的插值方法要好。不过,作者也提到了对于第3和第4种插值方法要慎用。 综上所述,如果你正在寻找算法优化支持向量机回归MATLAB代码,引用提供的麻雀搜索算法优化支持向量机回归预测的MATLAB代码可能是一个不错的选择。而引用提到的自适应插值方法可以作为一种改进插值的思路,在一些情况下可能会有更好的效果。<span class="em">1</span><span class="em">2</span> #### 引用[.reference_title] - *1* [麻雀搜索算法优化支持向量机回归预测MATLAB代码](https://download.csdn.net/download/qq_57971471/87730492)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [基于matlab的自适应插值法(四种不同插值算法集成)](https://download.csdn.net/download/weixin_56184890/88240081)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
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