回归预测分析---SVM神经网络
机器学习：SVM和神经网络的比较
机器学习：SVM和神经网络的比较机器学习是一种利用算法让计算机系统能够从数据中学习的技术。
在机器学习中，支持向量机（SVM）和神经网络是两种常用的算法。
本文将对这两种算法进行比较，包括其原理、应用、优缺点等方面的分析。
支持向量机（SVM）是一种用于分类和回归分析的监督学习模型。
其基本原理是通过一个最优超平面将不同类别的数据点分开，使得类别之间的间隔最大化。
SVM可用于线性和非线性分类，还可通过核函数将数据映射到更高维度的空间中，从而实现非线性分类。
SVM的优点之一是能够处理高维数据，且具有较好的泛化能力。
而且，由于其核函数的特性，SVM可以应用于非线性问题。
神经网络是一种通用的机器学习模型，受启发于人类神经系统的结构。
神经网络由多层神经元组成，每一层都与下一层相连，最终输出层生成预测结果。
训练神经网络需要大量的数据和计算资源，通常需要进行反向传播算法来更新权重和偏差，使得神经网络能够学习到正确的模式。
神经网络在图像和语音识别等领域有着广泛的应用，并且在深度学习中占据着重要的地位。
下面我们将从不同的角度对SVM和神经网络进行比较：1.原理SVM基于最大化间隔的原则进行分类，它找出最优的超平面将不同类别的数据点分隔开。
神经网络则是通过多层神经元的组合来学习数据的模式和特征。
SVM是一种几何学方法，而神经网络则是一种统计学方法。
2.应用SVM在文本分类、图像分类、生物信息学、金融分析等领域有着广泛的应用。
而神经网络在语音识别、图像识别、自然语言处理、机器翻译等方面也有着杰出的成绩。
3.优缺点SVM的优点是能够处理高维数据，且泛化能力较好。
但对于大规模数据和非线性问题，SVM的计算开销较大。
神经网络的优点是能够处理大规模数据和非线性问题，并且可以通过调节网络结构和参数来适应不同的数据。
但神经网络的缺点是需要大量的数据和计算资源，训练时间较长，且容易出现过拟合的问题。
4.性能SVM在小规模数据和线性问题上有着不错的性能，但对于大规模数据和非线性问题，其性能可能不如神经网络。
基于SVM和BP神经网络的预测模型
基于SVM和BP神经网络的预测模型随着社会的不断发展和技术的日益进步，各种预测模型的应用越来越广泛。
其中，基于支持向量机（SVM）和反向传播神经网络（BP神经网络）的预测模型备受关注。
它们不仅可以对数据进行分类和回归预测，还可以在信号、音频、图像等领域中得到广泛应用。
本文将介绍SVM和BP神经网络的基本原理及其在预测模型中的应用。
一、支持向量机（SVM）的基本原理支持向量机是一种基于统计学习理论的分类和回归分析方法。
它的基本原理是通过将原始样本空间映射到高维空间，将不可分的样本转化为可分的线性空间，从而实现分类或者回归分析。
SVM的关键是选择合适的核函数，可以将样本映射到任意高维空间，并通过最大化间隔来实现对样本的分类。
在SVM的分类中，最大间隔分类被称为硬间隔分类，是通过选择支持向量（即距离分类界线最近的样本）来实现的。
而在实际中，可能存在一些噪声和难以分类的样本，这时采用软间隔分类可以更好地适应于数据。
软间隔SVM将目标函数添加一个松弛变量，通过限制松弛变量和间隔来平衡分类精度和泛化能力。
二、反向传播神经网络（BP神经网络）的基本原理BP神经网络是一种典型的前馈型神经网络，具有非线性映射和逼近能力。
它可以用于分类、回归、时间序列预测、模式识别等问题，被广泛应用于各个领域。
BP神经网络由输入层、隐含层和输出层组成，其中隐含层是核心层，通过数学函数对其输入进行加工和处理，将处理的结果传递到输出层。
BP神经网络的训练过程就是通过调整网络的权值和阈值来减小训练误差的过程。
BP神经网络的训练过程可以分为前向传播和反向传播两部分。
前向传播是通过给定的输入，将输入信号经过网络传递到输出层，并计算输出误差。
反向传播是通过计算误差梯度，将误差传递回隐含层和输入层，并调整网络的权值和阈值。
三、SVM与BP神经网络在预测模型中的应用SVM和BP神经网络的预测模型在实际中广泛应用于各个领域，如无线通信、金融、物流、医疗等。
基于SVM神经网络的沪深300股指期货的实证
基于SVM神经网络的沪深300股指期货的实证研究□魏勤张宇霖【摘要】期货市场作为我国资本衍生品市场的新兴力量，在推动我国经济发展中起到了重要的作用。
为了更好的理解期货市场的特征以及变化规律，期货价格的预测成了众多投资者和学者的热点研究问题。
然而，众所周知期货市场是一个典型的复杂演化的动态市场，并不能很好的刻画整体价格体系变动的特征。
所以，本文旨在运用SVM人工神经网络方法对以HS300股指期货为代表的期货市场做回归预测。
并且结果表明，SVM能够充分反映期货价格时间序列的变动特征，是SVM价格预测的有效方法。
【关键词】HS300；人工神经网络；SVM；回归预测【作者简介】魏勤，闽江学院经济系副教授；张宇霖，北京光大期货量化分析投资顾问长期以来，从事证券及衍生品交易或研究的人们，都在试图尝试运用各种方法来解释和研究价格变动的特点。
在这些方法中最著名的要属尤金·法玛（Eugene Fama）提出的有效市场假说（EMH）理论，该理论认为市场在确定价格时已经把所有的公开信息，包括基本情况和价格历史都已经计算进去了。
因此，价格只有在收到新的信息时才发生变动。
换句话说，在有效市场的假设条件下市场不存在投机行为，这不仅仅是因为价格已经反映了已知的信息，而且因为投资者的数目的众多保证了价格的公平。
然而，现实生活中证券或衍生品市场是一个典型的复杂演化的动态市场，其价格的变动也符合典型的时间序列特征：具有高噪音、非平稳、非线性等特点。
市场系统内部相互作用的因素或状态变量之间的关系难以量化，即难以建立完整的动力方程来描述市场。
因此，为了更为准确的刻画和描述证券或衍生品市场的价格序列的变化情况，鲍尔丁（boldrin 1986）、巴雷特（Barnett．WA）等人将非线性动力学的理论引入了对价格的判断：如果将价格序列看作系统的输出，那么可以缓解无法建立市场动力方程的遗憾，因为作为系统的输出，价格序列必定载有相关系统状态变量的信息，这样就能更为准确的刻画和描述价格序列的变化情况。
matlab30个案例分析案例14-SVM神经网络的回归预测分析
matlab30个案例分析案例14-SVM神经网络的回归预测分析%% SVM神经网络的回归预测分析---上证指数开盘指数预测%%% 清空环境变量function chapter14tic;close all;clear;clc;format compact;%% 数据的提取和预处理% 载入测试数据上证指数(1990.12.19-2009.08.19)% 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数% 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额.load chapter14_sh.mat;% 提取数据[m,n] = size(sh);ts = sh(2:m,1);tsx = sh(1:m-1,:);% 画出原始上证指数的每日开盘数figure;plot(ts,'LineWidth',2);title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12);xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);ylabel('开盘数','FontSize',12);grid on;% 数据预处理,将原始数据进行归一化ts = ts';tsx = tsx';% mapminmax为matlab自带的映射函数% 对ts进行归一化[TS,TSps] = mapminmax(ts,1,2);% 画出原始上证指数的每日开盘数归一化后的图像figure;plot(TS,'LineWidth',2);title('原始上证指数的每日开盘数归一化后的图像','FontSize',12);xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);ylabel('归一化后的开盘数','FontSize',12);grid on;% 对TS进行转置,以符合libsvm工具箱的数据格式要求TS = TS';% mapminmax为matlab自带的映射函数% 对tsx进行归一化[TSX,TSXps] = mapminmax(tsx,1,2);% 对TSX进行转置,以符合libsvm工具箱的数据格式要求TSX = TSX';%% 选择回归预测分析最佳的SVM参数c&g% 首先进行粗略选择:[bestmse,bestc,bestg] = SVMcgForRegress(TS,TSX,-8,8,-8,8);% 打印粗略选择结果disp('打印粗略选择结果');str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str);% 根据粗略选择的结果图再进行精细选择:[bestmse,bestc,bestg] = SVMcgForRegress(TS,TSX,-4,4,-4,4,3,0.5,0.5,0.05);% 打印精细选择结果disp('打印精细选择结果');str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str);%% 利用回归预测分析最佳的参数进行SVM网络训练cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.01'];model = svmtrain(TS,TSX,cmd);%% SVM网络回归预测[predict,mse] = svmpredict(TS,TSX,model);predict = mapminmax('reverse',predict',TSps);predict = predict';% 打印回归结果str = sprintf( '均方误差MSE = %g 相关系数R = %g%%',mse(2),mse(3)*100);disp(str);%% 结果分析figure;hold on;plot(ts,'-o');plot(predict,'r-^');legend('原始数据','回归预测数据');hold off;title('原始数据和回归预测数据对比','FontSize',12);xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);ylabel('开盘数','FontSize',12);grid on;figure;error = predict - ts';plot(error,'rd');title('误差图(predicted data - original data)','FontSize',12);xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);ylabel('误差量','FontSize',12);grid on;figure;error = (predict - ts')./ts';plot(error,'rd');title('相对误差图(predicted data - original data)/original data','FontSize',12);xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);ylabel('相对误差量','FontSize',12);grid on;snapnow;toc;%% 子函数SVMcgForRegress.mfunction [mse,bestc,bestg] = SVMcgForRegress(train_label,train,cmin,cmax,gmin,gmax,v,cstep ,gstep,msestep)%SVMcg cross validation by faruto%% by faruto%Email:patrick.lee@/doc/2510837534.html, QQ:516667408 /doc/2510837534.html,/faruto BNU%last modified 2010.01.17%Super Moderator @ /doc/2510837534.html,% 若转载请注明：% faruto and liyang , LIBSVM-farutoUltimateVersion% a toolbox with implements for support vector machinesbased on libsvm, 2009.% Software available at /doc/2510837534.html,%% Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for % support vector machines, 2001. Software available at% /doc/2510837534.html,.tw/~cjlin/libsvm % about the parameters of SVMcgif nargin < 10msestep = 0.06;endif nargin < 8cstep = 0.8;gstep = 0.8;endif nargin < 7v = 5;endif nargin < 5gmax = 8;gmin = -8;endif nargin < 3cmax = 8;cmin = -8;end% X:c Y:g cg:acc[X,Y] = meshgrid(cmin:cstep:cmax,gmin:gstep:gmax);[m,n] = size(X);cg = zeros(m,n);eps = 10^(-4);bestc = 0;bestg = 0;mse = Inf;basenum = 2;for i = 1:mfor j = 1:ncmd = ['-v ',num2str(v),' -c ',num2str( basenum^X(i,j) ),' -g ',num2str( basenum^Y(i,j) ),' -s 3 -p 0.1'];cg(i,j) = svmtrain(train_label, train, cmd);if cg(i,j) < msemse = cg(i,j);bestc = basenum^X(i,j);bestg = basenum^Y(i,j);endif abs( cg(i,j)-mse )<=eps && bestc > basenum^X(i,j)mse = cg(i,j);bestc = basenum^X(i,j);bestg = basenum^Y(i,j);endendend% to draw the acc with different c & g[cg,ps] = mapminmax(cg,0,1);figure;[C,h] = contour(X,Y,cg,0:msestep:0.5);clabel(C,h,'FontSize',10,'Color','r');xlabel('log2c','FontSize',12);ylabel('log2g','FontSize',12);firstline = 'SVR参数选择结果图(等高线图)[GridSearchMethod]';secondline = ['Best c=',num2str(bestc),' g=',num2str(bestg), ...' CVmse=',num2str(mse)];title({firstline;secondline},'Fontsize',12);grid on;figure;meshc(X,Y,cg);% mesh(X,Y,cg);% surf(X,Y,cg);axis([cmin,cmax,gmin,gmax,0,1]);xlabel('log2c','FontSize',12);ylabel('log2g','FontSize',12);zlabel('MSE','FontSize',12);firstline = 'SVR参数选择结果图(3D视图)[GridSearchMethod]'; secondline = ['Best c=',num2str(bestc),' g=',num2str(bestg), ...' CVmse=',num2str(mse)];title({firstline;secondline},'Fontsize',12);。
基于SVM的预测模型研究
基于SVM的预测模型研究在现代数据分析和机器学习领域中，SVM（支持向量机）是一种广泛使用的分类器和回归模型。
它的优点包括高效性、高精度和可扩展性。
SVM可以通过寻找最佳分割超平面，将数据分为不同的类别，从而可用于预测和分类。
本篇文章将探讨基于SVM的预测模型研究方面的相关内容。
文章将从以下几个方面进行探讨：一、什么是SVMSVM是一种监督学习算法，最初由Vapnik和Cortes于1995年提出。
其目标是通过划分最佳超平面来对数据进行分类。
在追求最佳分割超平面的同时，SVM 还考虑到了数据点与超平面的间隔距离，以此调整分类边界线。
二、SVM的基本理论我们常使用的线性二分类SVM模型可用以下数学公式描述：min 1/2 * w^T w + C * sum(y_i (w^T * x_i + b) - 1)s.t. y_i (w^T * x_i + b) - 1 >= 0其中，w 和 b 是 SVM 的参数，y_i 属于 ±1， C 是一个调整因子，x_i 是数据点的属性向量。
这个公式的公约数部分表示了权重向量的大小，前方的公式是SVM 的损失函数，指明数据点与分割线或超平面的距离。
三、SVM的优点优点一：在高维空间中，SVM的性能往往比其它算法的性能更好；优点二：在处理小样本数据时，SVM的表现相对于其它算法比较稳定；优点三：当噪声较小的情况下，SVM表现良好。
四、SVM的预测模型研究SVM不仅适用于分类问题，还适用于回归问题。
然而，回归问题所涉及的数学方程明显要复杂得多。
支持向量回归（SVR）是一种可用于解决回归问题的相关技术。
和分类不同，SVR试图找到一个能容纳尽可能多样本点的超平面。
同样是使用限制条件和一个在目标和预测值之间的损失函数这样的约束，只不过这里的损失函数可以是线性、支撑向量或其他形式的函数。
在实际建模中，经常需要使用一些技巧来引入特征或调整SVM模型以获得更好的预测性能。
svm回归算法
支持向量机回归算法（Support Vector Machine Regression，简称SVM Regression）是一种监督学习算法，用于解决回归问题。
它通过构建超平面来分割数据集，并使用特定的误差函数来评估模型的预测性能。
在SVM回归算法中，采用了一种称为ε-不敏感误差函数的方法。
该误差函数定义为，如果预测值与真实值之间的差值小于一个阈值ε，则不对此样本点做惩罚。
如果差值超过阈值，则惩罚量为
|yn−tn|−ε，其中yn是预测值，tn是真实值。
这种误差函数实际上形成了一个管道，在管道中样本点不做惩罚被称为
ε-tube。
SVM回归算法的目标是找到一个超平面，使得管道内的样本点数量最大化。
为了获得稀疏解，即计算超平面参数不依靠所有样本数据，而是部分数据，采用了这种误差函数来定义最小化误差函数作为优化目标。
由于上述目标函数含有绝对值项不可微，因此在实际应用中可能会遇到一些问题。
在训练SVM回归模型时，需要提前指定管道的宽度（即ε
的大小），并且算法引入了超参数C来控制对误差的惩罚程度。
在具体训练过程中，通过优化目标函数来找到最优的超平面和参数。
SVM回归算法可以应用于各种回归问题，如房价预测、股票价格预测等。
它的优点包括能够处理非线性问题、对异常值和噪声具有鲁棒性等。
然而，SVM回归算法也有一些局限性，例如在高维空间中可能会遇到维数灾难等问
题。
因此，在使用SVM回归算法时需要根据具体问题来选择合适的算法参数和核函数，并进行充分的实验验证和模型评估。
支持向量机与神经网络算法的对比分析
支持向量机与神经网络算法的对比分析支持向量机（Support Vector Machine，SVM）和神经网络（Neural Network，NN）是两种常用的机器学习算法，它们在解决分类和回归问题上都具有较强的应用能力。
本文将从原理、优缺点、适用场景和实际应用等方面进行对比分析，以帮助读者更好地理解和选择适合自己需求的算法。
一、原理对比1、支持向量机（SVM）原理支持向量机是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。
简单来说，SVM的目标是找到一个最佳的超平面，将不同类别的样本分开，并且使得两个类别之间的间隔最大化。
当数据线性不可分时，可以通过核函数方法将数据映射到高维空间，实现非线性分类。
2、神经网络原理神经网络是一种模仿人脑神经元网络结构设计的一种算法。
它由输入层、隐层和输出层构成，每一层中包含多个神经元单元。
神经网络通过不断调整连接权值和偏置，学习输入数据的特征，并将学到的知识用于分类和预测。
二、优缺点对比优点：SVM可以有效处理高维数据，且对于小样本数量的数据依然表现稳定，泛化能力强。
通过核函数可以处理非线性分类问题，具有较好的灵活性和泛化能力。
缺点：在大规模数据集上训练的速度较慢，需要耗费大量的计算资源。
对参数的选择和核函数的调整较为敏感，需要谨慎选择。
优点：神经网络可以通过不断迭代学习特征，适用于复杂的非线性问题。
对于大规模数据集和高维数据具有较好的处理能力。
缺点：神经网络结构较为复杂，需要大量的训练数据和时间。
神经网络的训练需要大量的计算资源，对参数的选择和网络结构的设计要求较高。
三、适用场景对比SVM适用于小样本、高维度的数据集，特别擅长处理二分类问题。
在文本分类、图像识别、生物信息学等领域有着广泛的应用。
神经网络适用于大规模数据集和复杂的非线性问题。
在语音识别、自然语言处理、图像识别等领域有着广泛的应用。
四、实际应用对比在文本分类领域，SVM常被用于垃圾邮件过滤、情感分析等任务中。
svm回归预测原理
SVM回归，也称为支持向量回归（SVR），其原理是找到一个最优的超平面，使得这个超平面与样本点的距离最小。
通过最小化这个距离，我们可以得到一个回归函数，该函数能够尽量拟合训练集样本。
为了实现这一目标，我们通常构建一个损失函数，该函数衡量模型预测值与样本标签之间的差异。
我们的目标是使这个损失函数最小化，从而确定最优的超平面。
为了实现这一点，SVR引入了一个额外的参数，称为ε。
这个参数定义了一个管道，在这个管道内的所有点都被认为是正确的预测。
SVR的目标是在保证所有样本点都在ε管道内的前提下，使超平面尽可能地平。
预测过程是通过计算测试样本点到最优超平面的距离来实现的。
如果这个距离在ε管道内，则我们认为预测是正确的；否则，我们认为预测是错误的。
总的来说，SVM回归是一种强大的机器学习技术，它能够处理具有高维特征的数据集，并且对噪声和异常值具有鲁棒性。
其基本思想是利用支持向量的性质来构建最优的回归函数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
回归预测分析---SVM神经网络%% SVM神经网络的回归预测分析上证指数开盘指数预测%%清空环境变量fun cti on chapter14tic; ----------------------------close all ;clear;clc;format compact ;%%数据的提取和预处理%载入测试数据上证指数(1990.12.19-2009.08.19)%数据是一个4579*6 的double 型的矩阵，每一行表示每一天的上证指数%6列分别表示当天上证指数的开盘指数，指数最高值，指数最低值，收盘指数易额.load chapter14_sh.mat ;%提取数据[m,n] = size(sh); ts = sh(2:m,1);tsx = sh(1:m-1,:);%画岀原始上证指数的每日开盘数figure;plot(ts, 'Li neWidth' ,2);title( '上证指数的每日开盘数(1990.12.20-2009.08.19)' , 'FontSize' xlabel( '交易日天数(1990.12.19-2009.08.19)' , 'FontSize' ,12); ylabel( '开盘数','FontSize' ,12);grid on;%数据预处理，将原始数据进行归一化ts = ts';tsx = tsx';% mapminmax 为matlab 自带的映射函数%对ts进行归一化[TS,TSps] = mapmi nm ax(ts,1,2);%画岀原始上证指数的每日开盘数归一化后的图像figure;plot (TS, 'Li neWidth' ,2);当日交易量，当日交,12);ti tle( '原始上证指数的每日开盘数归一化后的图像','FontSize' ,12);xlabel( '交易日天数(1990.12.19-2009.08.19)' ,'FontSize' ,12);ylabel( '归一化后的开盘数','FontSize' ,12);grid on ;%对TS进行转置，以符合libsvm 工具箱的数据格式要求TS = TS';% mapminmax 为matlab 自带的映射函数%对tsx进行归一化[TSX,TSXps] = mapmi nm ax(tsx,1,2);%对TSX进行转置，以符合libsvm 工具箱的数据格式要求TSX = TSX';%%选择回归预测分析最佳的SVM参数c&g%首先进行粗略选择：[bestmse,bestc,bestg] = SVMcgForRegress (T S,TSX,-8,8,-8,8);%打印粗略选择结果disp('打印粗略选择结果’)；str = spri ntf( 'Best Cross Validatio n MSE = %g Best c = %g Best g =%g' ,bestmse,bestc,bestg);disp(str);%根据粗略选择的结果图再进行精细选择：[bestmse,bestc,bestg] = SVMcgForRegress (T S,TSX,-4,4,-4,4,3,0.5,0.5,0.05);%打印精细选择结果disp('打印精细选择结果’)；str = spri ntf( 'Best Cross Validatio n MSE = %g Best c = %g Best g =%g' ,bestmse,bestc,bestg);disp(str);%%利用回归预测分析最佳的参数进行SVM网络训练cmd = [ '-c ' , num2str(bestc), ' -g ' , n um2str(bestg) , ' -s 3 -p 0.01' model = svmtrai n(TS,TSX,cmd);%% SVM网络回归预测[predict,mse] = svmpredict(TS,TSX,model);predict = mapm inm ax( 'reverse' ,predict',TSps);predict = predict';均方误差 MSE = %g 相关系数 R = %g%%' ,mse(2),mse(3)*100);%%结果分析figure; hold on; plot(ts, '-o'); plot(predict,'r-A ');legend('原始数据'，‘回归预测数据'); hold off ; title('原始数据和回归预测数据对比’，‘FontSize',12);xlabel( '交易日天数(1990.12.19-2009.08.19)' , 'FontSize' ,12);ylabel( '开盘数','FontSize' ,12); grid on;figure;error = predict - ts'; plot(error, 'rd' ); ti tle( '误差图(predicted data - original data)' ,'FontSize',12);xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);ylabel('误差量','FontSize' ,12);grid on ;figure;error = (predict - ts')./ts'; plot(error, 'rd' );title( '相对误差图 (predicted data - original data)/original data' , 'FontSize',12);xlabel( '交易日天数(1990.12.19-2009.08.19)' , 'FontSize',12);ylabel( '相对误差量','FontSize' ,12); grid on; snapnow; toc;%% 子函数 SVMcgForRegress.m fun cti on[mse,bestc,bestg]=SVMcgForRegress(train 」abel,trai n,cmi n,cmax,gmi n,gmax,v,cstep,gstep,mse step) %SVMcg cross validati on by faruto %%打印回归结果 str = spri ntf( disp(str);% about the parameters of SVMcgif n arg in < 10msestep = 0.06;endif n argi n < 8cstep = 0.8;gstep = 0.8;endif n argi n < 7v = 5;endif n argi n < 5gmax = 8;gmin = -8;endif n argi n < 3cmax = 8;cmin = -8;end% X:c Y:g cg:acc[X,Y] = meshgrid(cmi n:cstep:cmax,gmi n:gstep:gmax);[m, n] = size(X);cg = zeros( m,n);eps = 10A(-4);bestc = 0;bestg = 0;mse = Inf;base num = 2;for i = 1:mfor j = 1:ncmd = [ '-v ' ,n um2str(v), ' -c ' ,n um2str( base numAX(i,j) ), ' -g ',num2str( basenumAY(i,j) ), ' -s 3 -p 0.1' ];cg(i,j) = svmtrai n(train_label, trai n, cmd);if cg(i,j) < msemse = cg(i,j);bestc = base numAX(i,j);bestg = base numWj); end if abs( cg(i,j)-mse )<=eps && bestc > base numAX(i,j) mse = cg(i,j);bestc = base numWj); bestg = base numWj); end end end% to draw the acc with differe nt c & g [cg,ps] = mapmi nm ax(cg,0,1); figure;[C,h] = con tour(X ，丫, cg,0:msestep:0.5); clabel(C,h, 'FontSize',10, 'Color', 'r' );xlabel('log2c','FontSize',12);ylabel( 'log2g' ,'FontSize' ,12);firstl ine ='SVR 参数选择结果图（等高线图 )[GridSearchMethod]' sec on dli ne=[ 'Best c=' ,n um2str(bestc),'g=' ,num2str(bestg),CVmse=' ,n um2str(mse)];title({firstl in e;secon dli ne}, grid on; figure;meshc(X ，丫, cg); % mesh(X ，丫, cg); % surf(X ，丫, cg);axis([cmi n,cmax,gmi n,gmax,0,1]); xlabel( 'log2c' , 'FontSize' ,12); ylabel( 'log2g', 'FontSize',12); zlabel( 'MSE' , 'FontSize' ,12);'SVR 参数选择结果图（3D 视图）[GridSearchMethod]'CVmse=',n um2str(mse)];sec on dli ne =[ 'Best c=' ,n um2str(bestc), g=' ,n um2str(bestg), title({firstl in e;sec on dli ne},'Fon tsize',12);'Fo ntsize',12);firstl ine =。