前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >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]

作者头像
全栈程序员站长
发布2022-09-01 17:10:58
1.9K0
发布2022-09-01 17:10:58
举报

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:

代码语言:javascript
复制
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

代码语言:javascript
复制
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

代码语言:javascript
复制
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

代码语言:javascript
复制
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。

代码语言:javascript
复制
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。

代码语言:javascript
复制
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。

代码语言:javascript
复制
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。

代码语言:javascript
复制
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)

代码语言:javascript
复制
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

代码语言:javascript
复制
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

代码语言:javascript
复制
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]
Matlab fitrsvm自带支持向量回归[通俗易懂]

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

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年5月2,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 简介
  • 关键步骤
  • 实例用法
  • 例子1-默认参数(线性核函数)
  • 例子2-高斯核函数
  • 例子3-交叉验证和自动优化
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档