基于支持向量回归(SVR)的预测模型MATLAB实现
支持向量回归(SVR)预测模型实现，包含数据生成、模型训练、参数优化、预测评估及可视化分析功能。
一、SVR基本原理
支持向量回归(Support Vector Regression, SVR)是SVM在回归问题上的扩展，核心思想是：
寻找一个超平面
数学表达：
约束条件：
其中：
：惩罚参数（控制过拟合与欠拟合平衡） ：不敏感损失参数（允许的最大偏差） ：松弛变量（处理超出 的误差） ：核函数映射（将数据映射到高维空间解决非线性问题）
二、完整MATLAB实现
%% 支持向量回归(SVR)预测模型
% 功能: 实现SVR回归预测，包含参数优化、多核函数比较、可视化分析
% 数据集: 非线性合成数据（可替换为实际数据）
clear; clc; close all;
%% 1. 参数设置
% 数据参数
nSamples = 200; % 样本数量
noiseLevel = 0.3; % 噪声水平 (0-1)
testRatio = 0.3; % 测试集比例
% SVR模型参数
kernelType = 'rbf'; % 核函数类型: 'linear', 'poly', 'rbf', 'sigmoid'
C = 10; % 惩罚参数 (典型值: 0.1-1000)
epsilon = 0.1; % 不敏感损失参数 (典型值: 0.01-1)
gamma = 'scale'; % RBF核参数: 'scale'(1/n_features)或具体数值
degree = 3; % 多项式核次数 (仅poly核有效)
coef0 = 0; % 核函数独立项 (poly/sigmoid核有效)
% 训练参数
optimizeParams = true; % 是否自动优化参数
cvFolds = 5; % 交叉验证折数
visualize = true; % 是否可视化结果
%% 2. 生成/加载数据集
% 生成非线性回归数据 (示例: 正弦函数叠加噪声)
rng(42); % 固定随机种子
X = linspace(0, 10, nSamples)'; % 输入特征 (1维)
y = sin(X) + noiseLevel*randn(nSamples, 1); % 目标变量 (含噪声)
% 添加特征维度 (演示多维输入，此处扩展为2维)
X = [X, X.^2/10]; % 特征矩阵: [x1, x2]，x2=x1²/10
% 划分训练集和测试集
nTrain = floor(nSamples*(1-testRatio));
trainIdx = randperm(nSamples, nTrain);
testIdx = setdiff(1:nSamples, trainIdx);
X_train = X(trainIdx, :);
y_train = y(trainIdx);
X_test = X(testIdx, :);
y_test = y(testIdx);
% 数据标准化 (SVR对尺度敏感)
[X_train_scaled, mu_X, sigma_X] = zscore(X_train); % 特征标准化
y_train_scaled = (y_train - mean(y_train)) / std(y_train); % 目标标准化
X_test_scaled = (X_test - mu_X) ./ sigma_X; % 测试集用训练集的均值和标准差
%% 3. SVR模型训练
if optimizeParams
% 自动参数优化 (网格搜索+交叉验证)
paramGrid = struct(...
'C', logspace(-1, 3, 10), ... % C: 0.1~1000
'epsilon', logspace(-2, 0, 5), ...% ε: 0.01~1
'gamma', logspace(-2, 1, 5) ... % γ: 0.01~10 (RBF核)
);
bestParams = struct('C', C, 'epsilon', epsilon, 'gamma', gamma);
bestMSE = inf;
% 网格搜索
for C_val = paramGrid.C
for eps_val = paramGrid.epsilon
for gam_val = paramGrid.gamma
% 训练模型 (使用交叉验证评估)
cvModel = fitrsvm(X_train_scaled, y_train_scaled, ...
'KernelFunction', kernelType, ...
'BoxConstraint', C_val, ...
'Epsilon', eps_val, ...
'KernelScale', gam_val, ...
'KFold', cvFolds);
% 交叉验证MSE
cvMSE = kfoldLoss(cvModel, 'LossFun', 'mse');
% 更新最优参数
if cvMSE < bestMSE
bestMSE = cvMSE;
bestParams.C = C_val;
bestParams.epsilon = eps_val;
bestParams.gamma = gam_val;
end
end
end
end
% 使用最优参数训练最终模型
C = bestParams.C;
epsilon = bestParams.epsilon;
gamma = bestParams.gamma;
fprintf('最优参数: C=%.2f, ε=%.3f, γ=%.3f\n', C, epsilon, gamma);
end
% 训练SVR模型
svrModel = fitrsvm(X_train_scaled, y_train_scaled, ...
'KernelFunction', kernelType, ...
'BoxConstraint', C, ... % 惩罚参数C
'Epsilon', epsilon, ... % 不敏感损失ε
'KernelScale', gamma, ... % 核参数 (RBF核为γ)
'Standardize', false, ... % 已手动标准化
'Solver', 'SMO'); % 求解器 (SMO/LIBSVM)
% 查看模型信息
disp('SVR模型详情:');
disp(svrModel);
%% 4. 模型预测与反标准化
% 训练集预测
y_train_pred_scaled = predict(svrModel, X_train_scaled);
y_train_pred = y_train_pred_scaled * std(y_train) + mean(y_train); % 反标准化
% 测试集预测
y_test_pred_scaled = predict(svrModel, X_test_scaled);
y_test_pred = y_test_pred_scaled * std(y_train) + mean(y_train); % 反标准化
%% 5. 模型评估
% 计算评估指标
metrics = evaluateRegression(y_train, y_train_pred, y_test, y_test_pred);
% 打印评估结果
fprintf('\n===== 模型评估结果 =====\n');
fprintf('训练集: MSE=%.4f, RMSE=%.4f, MAE=%.4f, R²=%.4f\n', ...
metrics.train.MSE, metrics.train.RMSE, metrics.train.MAE, metrics.train.R2);
fprintf('测试集: MSE=%.4f, RMSE=%.4f, MAE=%.4f, R²=%.4f\n', ...
metrics.test.MSE, metrics.test.RMSE, metrics.test.MAE, metrics.test.R2);
%% 6. 可视化分析
if visualize
% 预测结果对比图
figure('Name', 'SVR预测结果', 'Position', [100, 100, 1200, 500]);
% 训练集
subplot(1,2,1);
scatter(X_train(:,1), y_train, 30, 'b', 'filled', 'DisplayName', '真实值');
hold on;
[X1_sorted, idx] = sort(X_train(:,1)); % 按x1排序
plot(X1_sorted, y_train_pred(idx), 'r-', 'LineWidth', 2, 'DisplayName', 'SVR预测');
xlabel('特征x1'); ylabel('目标y'); title('训练集预测结果');
legend('Location', 'best'); grid on;
% 测试集
subplot(1,2,2);
scatter(X_test(:,1), y_test, 30, 'b', 'filled', 'DisplayName', '真实值');
hold on;
[X1_test_sorted, idx_test] = sort(X_test(:,1));
plot(X1_test_sorted, y_test_pred(idx_test), 'r-', 'LineWidth', 2, 'DisplayName', 'SVR预测');
xlabel('特征x1'); ylabel('目标y'); title('测试集预测结果');
legend('Location', 'best'); grid on;
% 残差分析
figure('Name', '残差分析', 'Position', [100, 100, 1200, 400]);
subplot(1,2,1);
scatter(y_train_pred, y_train_pred - y_train, 30, 'b', 'filled');
xlabel('预测值'); ylabel('残差'); title('训练集残差图'); grid on;
plot([min(y_train_pred), max(y_train_pred)], [0, 0], 'r--');
subplot(1,2,2);
scatter(y_test_pred, y_test_pred - y_test, 30, 'b', 'filled');
xlabel('预测值'); ylabel('残差'); title('测试集残差图'); grid on;
plot([min(y_test_pred), max(y_test_pred)], [0, 0], 'r--');
% 核函数比较 (可选)
compareKernels(X_train_scaled, y_train_scaled, X_test_scaled, y_test, ...
{'linear', 'poly', 'rbf'}, C, epsilon, gamma);
end
%% 7. 辅助函数: 回归评估指标计算
function metrics = evaluateRegression(y_true_train, y_pred_train, y_true_test, y_pred_test)
% 训练集指标
residuals_train = y_true_train - y_pred_train;
metrics.train.MSE = mean(residuals_train.^2); % 均方误差
metrics.train.RMSE = sqrt(metrics.train.MSE); % 均方根误差
metrics.train.MAE = mean(abs(residuals_train)); % 平均绝对误差
metrics.train.R2 = 1 - sum(residuals_train.^2)/sum((y_true_train - mean(y_true_train)).^2); % 决定系数
% 测试集指标
residuals_test = y_true_test - y_pred_test;
metrics.test.MSE = mean(residuals_test.^2);
metrics.test.RMSE = sqrt(metrics.test.MSE);
metrics.test.MAE = mean(abs(residuals_test));
metrics.test.R2 = 1 - sum(residuals_test.^2)/sum((y_true_test - mean(y_true_test)).^2);
end
%% 8. 辅助函数: 核函数比较
function compareKernels(X_train, y_train, X_test, y_test, kernelList, C, epsilon, gamma)
figure('Name', '不同核函数比较', 'Position', [100, 100, 1200, 500]);
for i = 1:length(kernelList)
kernel = kernelList{i};
% 训练模型
model = fitrsvm(X_train, y_train, ...
'KernelFunction', kernel, ...
'BoxConstraint', C, ...
'Epsilon', epsilon, ...
'KernelScale', gamma);
% 预测
y_pred = predict(model, X_test);
mse = mean((y_test - y_pred).^2);
% 可视化 (取第一个特征绘图)
subplot(1, length(kernelList), i);
scatter(X_test(:,1), y_test, 30, 'b', 'filled', 'DisplayName', '真实值');
hold on;
[X1_sorted, idx] = sort(X_test(:,1));
plot(X1_sorted, y_pred(idx), 'r-', 'LineWidth', 2, 'DisplayName', '预测');
title(sprintf('%s核 (MSE=%.4f)', kernel, mse));
xlabel('特征x1'); ylabel('目标y'); grid on;
legend('Location', 'best');
end
end
三、关键功能模块详解
1. 数据生成与预处理
- 数据生成：生成含噪声的非线性数据（
y = sin(x) + 噪声），模拟真实非线性关系。 - 特征扩展：将1维特征扩展为2维（
x2 = x1²/10），演示SVR处理非线性问题的能力。 - 标准化：使用
zscore对特征和目标变量标准化（SVR对特征尺度敏感，必须标准化）。
2. 参数优化（网格搜索+交叉验证）
- 参数网格：定义
C（惩罚参数）、ε（不敏感损失）、γ（RBF核参数）的候选范围。 - 交叉验证：用5折交叉验证评估每组参数的性能（以MSE为适应度函数）。
- 最优参数选择：选择交叉验证MSE最小的参数组合作为最终模型参数。
3. SVR模型训练
- 核函数选择：支持
'linear'（线性）、'poly'（多项式）、'rbf'（径向基）、'sigmoid'（Sigmoid）核。 - MATLAB函数：使用
fitrsvm训练模型，关键参数：BoxConstraint：对应惩罚参数C；Epsilon：对应不敏感损失参数ε；KernelScale：对应RBF核参数γ（'scale'表示1/n_features）；Solver：求解器（'SMO'或'LIBSVM'）。
4. 预测与评估
- 反标准化：将预测结果从标准化空间转换回原始空间。
- 评估指标：计算MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）、R²（决定系数）。
5. 可视化分析
- 预测结果对比：绘制训练集/测试集的真实值与预测值曲线。
- 残差分析：绘制残差（预测值-真实值）散点图，检查模型是否存在系统性偏差。
- 核函数比较：对比不同核函数在测试集上的MSE和拟合效果。
四、参数说明与调优指南
| 参数 | 含义 | 调优建议 |
|---|---|---|
C |
惩罚参数（控制过拟合） | 小C→宽松边界（易欠拟合），大C→严格边界（易过拟合）；典型范围0.1~1000。 |
ε |
不敏感损失参数（允许偏差） | 大ε→允许更大偏差（模型简单），小ε→追求高精度（模型复杂）；典型范围0.01~1。 |
γ |
RBF核参数（控制样本影响范围） | 大γ→样本影响范围小（易过拟合），小γ→样本影响范围大（易欠拟合）；典型范围0.01~10。 |
| 核函数 | 非线性映射方式 | 低维/线性数据用'linear'；非线性数据优先用'rbf'；高阶关系用'poly'。 |
五、扩展功能
1. 多特征输入
若实际数据有多个特征，只需将X替换为n_samples×n_features的矩阵，SVR自动处理多维特征。
2. 大规模数据优化
- 近似算法：使用
'Solver', 'LIBSVM'并开启'CacheSize'缓存核矩阵。 - 降维：先用PCA等方法降低特征维度。
3. 与其他模型对比
% 对比线性回归、决策树、SVR
mdl_linear = fitlm(X_train, y_train); % 线性回归
mdl_tree = fitrtree(X_train, y_train); % 决策树
y_pred_linear = predict(mdl_linear, X_test);
y_pred_tree = predict(mdl_tree, X_test);
% 计算各模型MSE并比较
mse_linear = mean((y_test - y_pred_linear).^2);
mse_tree = mean((y_test - y_pred_tree).^2);
mse_svr = metrics.test.MSE;
参考代码 通过支持向量回归的方式来进行预测 www.youwenfan.com/contentcsm/83433.html
六、应用场景
- 非线性回归预测：房价预测、销量预测、传感器数据预测等。
- 小样本学习：SVR在小样本场景下表现优异（依赖支持向量而非全部样本）。
- 抗噪声能力：通过
ε-不敏感损失和核函数，对噪声有一定鲁棒性。
七、总结
本实现完整展示了SVR从数据预处理、模型训练、参数优化到预测评估的全流程，核心优势在于：
- 非线性建模：通过核函数处理复杂非线性关系；
- 稀疏解：仅依赖支持向量，模型简洁；
- 鲁棒性强：通过
ε控制允许偏差，抗噪声能力较好。
