排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
支持向量回归可解释性体系的建立 总被引:3,自引:0,他引:3
回归分析的主要任务是预测和解释.基于结构风险最小的支持向量回归模型取代传统经验风险最小回归模型,较好地解决了非线性、小样本、过拟合、维数灾难、局部极小等问题,泛化推广能力优异,但其可解释性差的缺陷一直未获根本性解决.基于F测验,为支持向量回归建立了一套完整的解释性体系,包括模型回归显著性测验、单因子重要性显著性测验、单因子效应及灵敏度分析、两因子互作显著性测验等.实例验证表明,其解释结果与传统二次多项式回归模型等具较好的一致性,初步表明了该解释性体系的合理性. 相似文献
2.
参数选择是支持向量回归分析的关键问题之一,在大训练样本条件下,大范围遍历搜索极为耗时。基于均匀设计和自调用支持向量回归,提出了一种将大样本搜索转化为小样本搜索的策略:在3因素9水平搜索范围,经混合均匀设计产生27个参数组合,每组合对训练集经交叉测试得其均方误差MSE;以MSE为目标函数,对该27个参数组合形成的小样本自调用支持向量回归以留一法进行大范围搜索建模,预测729个完全参数组合;取预测MSE最小的对应参数组合完成大样本的训练、预测。对5个基准数据集的独立预测表明,新方法在保证预测精度的同时,大幅度缩短了训练建模时间,为大样本支持向量机参数选择提供了新的有效解决方案。 相似文献
1