Matlab fitrsvm自带支持向量回归[通俗易懂]

Matlab fitrsvm自带支持向量回归[通俗易懂]简介fitrsvm在中低维预测变量数据集上训练或交叉验证支持向量机(SVM)回归模型。fitrsvm支持使用内核函数映射预测变量数据,并支持通过二次编程实现目标函数最小化。要在高维数据集(即包含许多预测变量的数据集)上训练线性SVM回归模型,请改用fitrlinear。用法Mdl=fitrsvm(Tbl,ResponseVarName)返回使用表Tbl中的自变量值和表中对应变量名…

大家好,又见面了,我是你们的朋友全栈君。

简介

Matlab可以使用fitrsvm创建回归支持向量机模型。fitrsvm在中低维预测变量数据集上训练或交叉验证支持向量机(SVM)回归模型。 fitrsvm支持使用内核函数映射预测变量数据,并支持通过二次编程实现目标函数最小化。要在高维数据集(即包含许多预测变量的数据集)上训练线性SVM回归模型,请改用fitrlinear。

关键步骤

步骤一:使用fitrsvm构建(训练)回归模型,模型存储数据、参数值、支持向量和算法实现信息;
步骤二:使用训练的模型可以进行,估计resubstitution预测、预测新数据的值、计算resubstitution损失、计算均方误差或不敏感损失。

(1)估计resubstitution预测:

yfit = resubPredict (mdl)

使用存储在mdl. x中的预测器数据,为训练好的支持向量机回归模型mdl返回一个预测对应值的向量yfit。

输入参数:
mdl -完整的、经过训练的SVM回归模型,指定为fitrsvm返回的回归SVM模型。

输出参数:
yfit -预测数值向量。yfit的长度等于训练数据mdl.NumObservations中的观察次数。

(2)预测新数据

yfit = predict(Mdl,X)

描述
基于训练好的支持向量机回归模型Mdl,返回矩阵X中预测数据的预测对应向量。

输入参数
Mdl – SVM回归模型,由fitrsvm返回。

X -用于生成对应的预测数据

(3)计算resubstitution损失

L = resubLoss (mdl)
L = resubLoss (mdl, name, value)

描述
L = resubLoss(mdl)返回支持向量机回归模型mdl的再替换损失,使用存储在mdl中的训练数据。X和对应值存储在mdl.Y中。

L = resubLoss(mdl,Name,Value)返回重新替换丢失,以及由一个或多个名称、值对参数指定的附加选项。例如,您可以指定损失函数或观测权值。

实例用法

Mdl = fitrsvm(Tbl,ResponseVarName)

返回使用表Tbl中的自变量值和表中对应变量名Tbl.ResponseVarName中的因变量值训练得到回归模型Mdl。

Mdl = fitrsvm(Tbl,formula)

返回使用表Tbl中的预测值训练的完整SVM回归模型。公式是响应的解释模型,也是Tbl中预测变量的子集,用于拟合Mdl。

Mdl = fitrsvm(Tbl,Y)

返回经过训练的SVM回归模型,该模型使用表Tbl中的自变量值和向量Y中的因变量值进行训练。

Mdl = fitrsvm(X,Y)

返回一个完整的,经过训练的SVM回归模型,该模型使用矩阵X中的预测值和向量Y中的响应值进行训练。

Mdl = fitrsvm(___,Name,Value)

返回带有一个或多个名称-值对参数指定的其他选项的SVM回归模型。例如,您可以指定内核功能或训练交叉验证的模型。

例子1-默认参数(线性核函数)

clc
clear all
close all

% 加载数据
load carsmall
rng 'default'  % For reproducibility

% 马力和重量作为自变量,MPG作为因变量
X = [Horsepower,Weight];
Y = MPG;

% 返回一个默认的回归支持向量模型
Mdl = fitrsvm(X,Y)

MdlStd = fitrsvm(X,Y,'Standardize',true)
l = resubLoss(Mdl)
lStd = resubLoss(MdlStd)

例子2-高斯核函数

clc
clear all
close all

% 加载数据
% 使用UCI机器学习存储库中的abalone数据训练支持向量机回归模型
% 下载数据,并将其保存在当前文件夹中,名称为“ abalone.csv”
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/abalone/abalone.data';
websave('abalone.csv',url);

% 将数据读入表。指定变量名称
varnames = { 
   'Sex'; 'Length'; 'Diameter'; 'Height'; 'Whole_weight';...
    'Shucked_weight'; 'Viscera_weight'; 'Shell_weight'; 'Rings'};
Tbl = readtable('abalone.csv','Filetype','text','ReadVariableNames',false);
Tbl.Properties.VariableNames = varnames;

% 样本数据包含4177个观测值。除性别外,所有预测变量都是连续的,这是一个类别变量,
% 其可能值为“ M”(对于男性),“ F”(对于女性)和“ I”(对于婴儿)。
% 目的是预测abalone的环数(存储在“环”中)并使用物理测量确定其年龄。

rng default  % For reproducibility
Mdl = fitrsvm(Tbl,'Rings','KernelFunction','gaussian','KernelScale','auto',...
    'Standardize',true)

% 使用点表示法显示Mdl的属性。 例如,检查以确认模型是否收敛以及完成了多少次迭代。
conv = Mdl.ConvergenceInfo.Converged
iter = Mdl.NumIterations

例子3-交叉验证和自动优化

clc
clear all
close all

% 加载数据
load carsmall
rng 'default'  % For reproducibility

X = [Horsepower Weight];
Y = MPG;

% 使用5-fold交叉验证对两个SVM回归模型进行交叉验证。 
% 对于这两种模型,请指定以标准化预测变量。 对于其中一个模型,
% 指定使用默认线性核进行训练,而对于另一个模型,则指定使用高斯核。
MdlLin = fitrsvm(X,Y,'Standardize',true,'KFold',5)
MdlGau = fitrsvm(X,Y,'Standardize',true,'KFold',5,'KernelFunction','gaussian')

mseLin = kfoldLoss(MdlLin)
mseGau = kfoldLoss(MdlGau)


% 使用fitrsvm自动优化超参数。通过使用自动超参数优化,找到使交叉验证损失减少五倍的超参数。
rng default
Mdl = fitrsvm(X,Y,'OptimizeHyperparameters','auto',...
    'HyperparameterOptimizationOptions',struct('AcquisitionFunctionName',...
    'expected-improvement-plus'))
% 预测
fit = predict(Mdl,X)
% plot(Y,fit,'.')

Matlab fitrsvm自带支持向量回归[通俗易懂]
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/141016.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 将JS嵌入C++ ————Spidermonkey引擎的使用「建议收藏」

    将JS嵌入C++ ————Spidermonkey引擎的使用「建议收藏」Spidermonkey是火狐的js引擎。我曾经仔细比较过C++嵌入Spidermonkey和v8,最终因为对多线程并行比较执着,于是最终选择了Spidermonkey。网上流传的关于Spidermonkey引擎的用法大多还停留在1.8.5版本。随着更新迭代,高版本的js引擎更快更符合js标准也更好用,但相关资料比较少,官网文档更是惨不忍睹几乎和没有文档一样。最近我接触到了…

    2022年10月16日
  • 无法解析外部符号

    无法解析外部符号本人在写qt工程的时候遇到无法解析外部符号原因:只写了类声明,但还没有写实现类,造成调用时无法解析。解决方法,把还没有实现类的声明给注释掉。参考博客无法解析的外部符号考虑可能的原因:[0]出现无法解析可能是因为lib文件不正确,比如64位的编译配置,结果使用的是32位的lib包.[1]只写了类声明,但还没有写实现类,造成调用时无法解析[2]声明和定义没有统一,造成链接不一致,无法

  • 在64位windows下使用instsrv.exe和srvany.exe创建windows服务「建议收藏」

    在64位windows下使用instsrv.exe和srvany.exe创建windows服务「建议收藏」http://blog.csdn.net/yaoyaoxingkong/article/details/8431945

  • origin画图数据_origin多元线性回归拟合

    origin画图数据_origin多元线性回归拟合制图完成效果图如下。1.原始数据为真实值与预测值。2.另外两列是制作中间的标准线。优化直线。3.4.对预测值与真实值的图进行优化。5.将标准线图层复制到当前页面,ctrl+C,V就行了。将标准线的网格删除。将线移动到该有的位置即可。对周围的字体大小等修正后即可。…

  • wireshark过滤规则及使用方法

    wireshark过滤规则及使用方法Wireshark基本语法,基本使用方法,及包过滤规则:1.过滤IP,如来源IP或者目标IP等于某个IP例子:ip.src eq 192.168.1.107 or ip.dst eq 192.168.1.107或者ip.addr eq 192.168.1.107 // 都能显示来源IP和目标IPLinux上运行的wireshark图形窗口截图示例,

  • zigbee 协议栈睡眠用法[通俗易懂]

    zigbee 协议栈睡眠用法[通俗易懂]大家都知道2430有3种睡眠模式,pm2模式比较省功耗而且可以被定时唤醒;pm3模式最省电但是只能被外部中断唤醒。开启睡眠功能很简单:首先确认/TexasInstruments/ZStack-1.4.3-1.2.1/Projects/zstack/Tools/CC2430DB目录下的f8wConfig.cfg文件中DRFD_RCVC_ALWAYS_ON定义为FALSE;然后在IAR的

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号