支持向量回归可解释性体系的建立.pdf

第21 卷第24 期 系 统 仿 真 学 报© Vol. 21 No. 24 2009 年12 月 Journal of System Simulation Dec., 2009 支持向量回归可解释性体系的建立 1,2 1 1 1,2 2 谭显胜 ，王志明 ，谭泗桥 ，袁哲明 ，熊兴耀 (1.湖南农业大学生物安全科学技术学院，长沙 410128 ；2.湖南省作物种质创新与资源利用重点实验室，长沙 410128) 摘 要：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。 关键词：支持向量回归；可解释性；F 测验；显著性分析 中图分类号：TP15 文献标识码：A 文章编号：1004-731X (2009) 24-7795-03 Establishing Interpretability for Support Vector Regression 1,2 1 1 1,2 2 TAN Xian-sheng , WANG Zhi-ming , TAN Si-qiao , YUAN Zhe-ming , XIONG Xing-yao (1. College of Bio-safety Science and Technology, Hunan Agricultural University, Changsha 410128, China; 2. Hunan Province Key Laboratory of Crop Germplasm Innovation and Utilization, Hunan Agricultural University, Changsha 410128, China) Abstract: Prediction and explanation are the main tasks for regression analysis. Instead of traditional regression model based on Empirical Risk Minimization, support vector regression (SVR) model, which is based on the structural risk minimization, has the advantages of non-linear characteristics, strong generalization ability, high prediction precision and avoiding the over-fitting, and so on. However, the poor interpretability of SVR has not been r