支持向量机（SVM）预测原理

支持向量机预测原理支持向量机(Support Vector Machine,SVM)预测算法根据给定的训练样本S={(x,片)，，(：，)}CR×R,可以构建回归函数：y=wdx)+b+e(1)其中，e为误差。定义损失函数为：I(yf(x))=(y-f(x)=e(2)其中，y为实际值，f)为预测值。最小二乘支持向量机(LSSVM)根据结构最小化原理，定义其风险函数为：J,=f+2(3)由此推得原始最优化问题：minJ,(@.e)=Jlof+r(4)其中，y为正实数，表示惩罚系数。它能够调节模型精度与模型复杂度的关系，在两者之间寻求一种折中，使所训练出来的模型具有比较强的泛化能力。构造新的拉格朗日乘子并置零：L=0→o=a,(x)∂aL=0→∑a,=0abaL=0→a,=Ye(5)de,L=0→b=y-0'x)-8bi=1,.1消去0和e1,得到以下行方程：(6)其中，1=[ll,，对角阵D,=diagly,,,y],y=[Dyy2,y',