原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
支持向量回归机本身是针对经典的二分类问题提出的支持向量回归机是支持向量在函数回归领域的应用与分类有以下不同回归的样本点只有一类所寻求的最优超平面不是使两类样本点分得最开而是使所有样本点离超平面的总偏差最小这时样本点都在两条边界线之间求最优回归超平面同样等价于求最大间隔基本模型对于线性情况支持向量机函数拟合首先考虑用线性回归函数拟合为输入量为输出量即需要确定和图结构图图不灵敏度函数惩罚函数是学习模型在学习过程中对误差的一种度量一般在模型学习前己经选定不同的学习问题对应的损失函数一般也不同同一学习问
3.3 支持向量回归机
SVM 本身是针对经典的二分类问题提出的， 支持向量回归机 （Support Vector
Regression，SVR ）是支持向量在函数回归领域的应用。 SVR 与 SVM 分类有以
下不同： SVM 回归的样本点只有一类，所寻求的最优超平面不是使两类样本点
分得“最开”，而是使所有样本点离超平面的“总偏差”最小。这时样本点都在
两条边界线之间，求最优回归超平面同样等价于求最大间隔。
3.3.1 SVR 基本模型
对 于 线
文档评论（0）