新建MicrosoftOfficePowerPoint演示文稿.

杨旋2015.3.171.支持向量回归机的原理。2.Matlab中有关支持向量回归机的函数和参数的使用说明。3.支持向量回归机应用于的模拟和预测。4.支持向量回归机对上证指数开盘指数的预测。5.Arima模型与SVR的结合预测短期的电力需求的应用。2yx2yx1.深入了解支持向量回归机的原理。2.熟练使用Matlab中的支持向量回归机对实际的数据进行模拟和预测。低维可线性回归的SVR1.设2维低维平面上，有一点集11,,...,,llSxyxy2.定义1,若存在一个回归超平面使得对任意的i都成立,则我们称样本集S是线性近似的。(x)fxb()iiyfx(x)fxb换句话说，在回归超平面的上下的通道内包含了所有的样本点。在这样的假设下，我们能知道一个事实，所有的点到回归超平面的距离都满足下式，2211iiixbyd显然是S点集中所有点到回归超平面的一个上界。满足等号成立的点可想而知是在通道中离回归超平面最远的点，这样的点我们把它称为支持向量。而支持向量恰好是能决定回归超平面位置的点。下面我们看支持向量是怎样确定回归超平面的。21点集S的最优近似回归超平面的确定：是通过最大化支持向量到回归超平面的距离而得到的。所以，我们只要计算一个最优化问题可以转化求约束为21max21min2()iiyfx考虑到一些不在通道内的值，为了减小误差，我们在对模型加入2个松弛变量和一个惩罚变量c。最后只需解：目标函数：约束条件：略…2121min()2c到现在为止，还有个问题需要提出来。1.那就是你的支持向量是怎么确定的呢？2.对于低维空间线性不可回归的的数据，又应该如何处理呢？建模回归模型（训练模型）目的就是为了将自变量x和应变量y之间的函数关系模拟出来.model=svmtrain(y,x,'-s3-t2-c2.2-g2.8-p0.01');[ptesty,tmse]=svmpredict(testy,testx,model);-ssvm类型：SVM设置类型(默认0)0--C-SVC1--v-SVC2–一类SVM3--e-SVR4--v-SVR-t核函数类型：核函数设置类型(默认2)0–线性：u'v1–多项式：(r*u'v+coef0)^degree2–RBF函数：exp(-r|u-v|^2)3–sigmoid：tanh(r*u'v+coef0)-ddegree：核函数中的degree设置(针对多项式核函数)(默认3)-gr(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/k)-rcoef0：核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)-ccost：设置C-SVC，e-SVR和v-SVR的参数(损失函数)(默认1)-nnu：设置v-SVC，一类SVM和v-SVR的参数(默认0.5)-pp：设置e-SVR中损失函数p的值(默认0.1)-mcachesize：设置cache内存大小，以MB为单位(默认40)-eeps：设置允许的终止判据(默认0.001)-hshrinking：是否使用启发式，0或1(默认1)-wiweight：设置第几类的参数C为weight?C(C-SVC中的C)(默认1)-vn:n-fold交互检验模式，n为fold的个数，必须大于等于22yx