如何使用libsvm进行回归预测

强烈建议您看这个之前先好好看看这个：
如何使用libsvm进行分类【by faruto】
/forum-v ... -fromuid-18677.html
这里将这个帖子记为（帖子*）
其实我个人感觉分类和回归本质一样的，分类搞清楚了的话，回归也就应该会的了。

但有
好多朋友对于使用libsvm进行分类会了，但使用libsvm进行回归就行不明白，我也搞不懂，道理都一样的啊，我最开始接触libsvm的时候就是弄明白分类然后回归自然而然就明白了
的啊！
好吧，不管了，还是在这里把使用libsvm进行回归预测也说说吧~。

回归和分类本质都是一样，就是有一个输入（属性矩阵或者自变量）然后有输出（分类是
分类标签，回归是因变量），也就是相当于一个函数：
Y = f(x)利用训练集合已知的x，y来建立回归模型model，然后用这个model
去预测。

这里面的x就相当于帖子*中的那个属性矩阵data，y相当于帖子*中的label，这样理解就很简单了。

我们看下面一个简单的利用libsvm进行回归的例子：
1.%% HowToRegressUsingLibsvm
2.% by faruto @ faruto's Studio~
3.% /faruto
4.% Email:faruto@
5.%
6.%
7.%
8.% last modified by 2010.12.28
9.%% a litte clean work
10.tic;
11.close all;
12.clear;
13.clc;
14.format compact;
15.%%
16.
17.% 生成待回归的数据
18.x = (-1:0.1:1)';
19.y = -x.^2;
20.
21.% 建模回归模型
22.model = svmtrain(y,x,'-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');
23.
24.% 利用建立的模型看其在训练集合上的回归效果
25.[py,mse] = svmpredict(y,x,model);
26.figure;
27.plot(x,y,'o');
28.hold on;
29.plot(x,py,'r*');
30.legend('原始数据','回归数据');
31.grid on;
32.
33.% 进行预测
34.testx = 1.1;
35.display('真实数据')
36.testy = -testx.^2
37.
38.[ptesty,tmse] = svmpredict(testy,testx,model);
39.display('预测数据');
40.ptesty
41.
42.%%
43.toc
复制代码
运行结果：
1.Mean squared error = 9.52768e-005 (regression)
2.Squared correlation coefficient = 0.999184 (regression)
3.真实数据
4.testy =
5. -1.2100
6.Mean squared error = 0.0102555 (regression)
7.Squared correlation coefficient = -1.#IND (regression)
8.预测数据
9.ptesty =
10. -1.1087
11.Elapsed time is 0.133552 seconds.
复制代码
上面的代码是对于二次函数y = x^2在[-1,1]上进行回归，并对于testx=1.1进行预测，这
里面由于我们知道真实的因变量testy = -1.21，按道理说做预测是不知道待预测的目标量
是什么的，否则还预测什么？这里就有好多朋友产生疑惑，说如果不知道待预测的目标量
是什么怎么办？答曰：那就随便写一个就行啊！然后又有的朋友会说，那这样生成的回归
指标（mse均方根误差，和平方回归系数很不理想啊），操~本身真实的因变量都不知道，这些参考指标在真实的因变量不知道的情况下是没有参考价值的。

以前我看到这样的问题，真的抓狂，就不能自己动脑子稍微想一下吗！？
上面使用的参数说明：
-s svm类型：SVM设置类型(默认0)
0 -- C-SVC
1 --v-SVC
2 –一类SVM
3 -- e -SVR
4 -- v-SVR
-t 核函数类型：核函数设置类型(默认2)
0 –线性：u'v
1 –多项式：(r*u'v + coef0)^degree
2 – RBF函数：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数) -c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)
-p p：设置e -SVR 中损失函数p的值(默认0.1)。