在MATLAB中,可以使用内置的fitrsvm
函数来实现支持向量机(SVM)回归预测算法。下面是一个简单的示例,说明如何使用这个函数来训练一个SVM回归模型,并使用它来进行预测。
% 生成模拟数据 | |
rng(1); % 为了结果的可重复性 | |
X = linspace(0,10,100)'; % 生成100个特征点 | |
y = sin(X) + 0.1*randn(100,1); % 生成响应变量,添加一些噪声 | |
% 划分数据集为训练集和测试集 | |
cv = cvpartition(size(X,1), 'HoldOut', 0.2); % 20%作为测试集 | |
idxTrain = training(cv); | |
idxTest = test(cv); | |
XTrain = X(idxTrain); | |
yTrain = y(idxTrain); | |
XTest = X(idxTest); | |
yTest = y(idxTest); | |
% 使用fitrsvm训练SVM回归模型 | |
SVMModel = fitrsvm(XTrain, yTrain, 'Standardize', true, 'KernelFunction', 'rbf', 'BoxConstraint', 1); | |
% 使用训练好的模型进行预测 | |
yPred = predict(SVMModel, XTest); | |
% 可视化结果 | |
figure; | |
plot(XTrain, yTrain, 'bo', 'DisplayName', 'Training Data'); | |
hold on; | |
plot(XTest, yTest, 'ro', 'DisplayName', 'Test Data'); | |
plot(XTest, yPred, 'g-', 'LineWidth', 2, 'DisplayName', 'Predicted Data'); | |
xlabel('X'); | |
ylabel('y'); | |
title('SVM Regression'); | |
legend show; | |
grid on; |
代码解释
-
数据生成:我们使用
linspace
生成100个等间距的点作为特征X
,并使用sin
函数加上一些随机噪声生成响应变量y
。 -
数据划分:使用
cvpartition
函数将数据集划分为训练集和测试集,这里选择20%的数据作为测试集。 -
模型训练:使用
fitrsvm
函数训练SVM回归模型。我们指定了一些参数,如'Standardize', true
用于标准化特征,'KernelFunction', 'rbf'
选择径向基函数(RBF)作为核函数,'BoxConstraint', 1
用于调整正则化强度。 -
模型预测:使用
predict
函数根据训练好的模型对测试集进行预测。 -
结果可视化:绘制原始训练数据、测试数据和预测结果,以便直观地查看模型的性能。
通过调整fitrsvm
函数的参数,你可以优化模型的表现,如调整核函数、正则化参数等。这只是一个基础示例,实际应用中可能需要更复杂的数据预处理和模型调优步骤。