SVM預測模型

支持向量機回歸的主要思想是通過一個非線性映射Φ，將數據x映射到高位特徵空間F，並在這個空間進行線性回歸。

模型1：建立軋鋼機狀態監測數據與軋制鋼板「表面粗糙度」間的SVM預測模型

模型2：建立軋鋼機狀態監測數據與軋制鋼板「厚度誤差」間的SVM預測模型

解釋變數：X1-X6

模型1被解釋變數：Y1（表面粗糙度）

模型2被解釋變數：Y2（厚度誤差）

支持向量機預測模型的評價標準

支持向量機預測模型預測效果可以採用平均絕對百分比誤差（MAPE）和平均絕對誤差（MAE）來評價，MAPE和MAE的表達式如下：

• 數據歸一化（為了減少數值變化範圍，加快計算速度）

將特徵值從一個大範圍映射到【-1,1】

• 所選核函數為高斯核函數：

• 交叉驗證（CV）方式選擇：

K-fold Cross validatin(K-CV):分為K組，（本文K=4），將每組子集分別做一次訓練集，其餘K-1組子集數據作為驗證集

C和g的值是在以2為底的[-8,8]上取值，即C和g的值是在[2^-8,2^8]取值，v為4（給測試集分為4部分進行 Cross validatin），取最終測試集數據和預測集數據誤差最小的C和g。

再進行精細選擇：精細選擇c和g範圍：[2^-4,2^4]

• 得到最佳c&g

模型1：c=2.8284,g=11.3137

模型2：c=0.35355,g=4

• 模型1&2預測結果

模型1：100個預測值選取10個結果如下：

MAPE = 3.81089%

MAE = 1.35221

相關係數 R = 82.0105%

從預測效果上看，SVM 能夠達到預測的要求，並且有較高的預測精度。

模型2：100個預測值選取20個結果如下：

這段預測還較為理想：

可是接下來...：

均方誤差 MSE = 0.0667926

相關係數 R = 65.6942%

MAPE = 19.6881

MAE = 81.9823

該預測結果就難以達到檢驗的標準，並不理想。

提高預測精度確實是一個非常困難的過程。

感謝隊友的辛苦工作 愛你們