[发明专利]均方误差与平方复相关系数同时优化的支持向量回归方法

说明书

本发明公开了一种均方误差与平方复相关系数同时优化的支持向量回归方法，具体步骤如下：S1：分割与归一化处理数据集；S2：初始化支持向量回归设置参数组；S3：以均方误差与平方复相关系数为多目标，不断更新支持向量回归设置参数组；S4：输出优化支持向量回归设置参数以及对应的均方误差与平方复相关系数。本发明中，以均方误差与平方复相关系数为多个目标，使用迭代方法优化了支持向量回归的设置参数，让均方误差尽可能接近0，让平方复相关系数尽可能接近1，从而解决调整支持向量回归设置参数的难题。

技术领域

本发明涉及一种均方误差与平方复相关系数同时优化的支持向量回归方法，属于计算机技术领域。

背景技术

支持向量回归常常用于构建预测模型，在许多应用场景得到应用。但其设置参数较多，如需要根据数据集的特征数和容量选择核函数，选择核函数后，还需设置核函数的系数，每个核函数又拥有不同的系数，这些系数会带来不同的预测结果，影响深远。此外，不同系数对不同目标的影响也不同，尤其是对均方误差和平方复相关系数的影响少有研究。

所以将支持向量回归的预测输出结果：均方误差和平方复相关系数同时作为目标，运用迭代算法融入到支持向量回归中，从而使得支持向量回归设置参数得到优化是新颖的，目前在这方面的研究是欠缺的。

发明内容

为解决现有的技术问题，本发明提供一种均方误差与平方复相关系数同时优化的支持向量回归方法，能够自动调整支持向量回归设置参数，达到优化均方误差和平方复相关系数的目的。

本发明中主要采用的技术方案为：

一种均方误差与平方复相关系数同时优化的支持向量回归方法，所述方法包括以下步骤：

S1：分割与归一化处理数据集；

S2：初始化支持向量回归设置参数组；

S3：以均方误差与平方复相关系数为多目标，不断更新支持向量回归设置参数组；

S4：输出优化支持向量回归设置参数以及对应的均方误差与平方复相关系数。

优选地，所述S1的具体步骤如下：

S1-1：针对已知数据集，归一化处理数据集；

S1-2：按一定分割比例将数据集分割成训练集、验证集、测试集。

优选地，所述S2的具体步骤如下：

S2-1：支持向量回归设置参数组SVRPara表示为{SVRPara₁,SVRPara₂,···,SVRPara_n}，SVRPara_i表示SVRPara内第i个成员，1≤i≤n，i为正整数，SVRPara_i属性为{K,C,γ,ε,coef}，其中，K表示核函数类型，C表示惩罚因子，γ表示核宽系数，ε表示损失函数系数，coef表示核函数内的常量系数；

S2-2：设定每个参数的取值范围，K＝{径向基函数，sigmoid函数}，C上限为ub_C，C下限为lb_C，γ上限为ub_γ，γ下限为lb_γ，ε上限为ub_ε，ε下限为lb_ε，coef上限为ub_coef，coef下限为lb_coef；

S2-3：在变量范围内随机初始化参数组SVRPara，生成n个成员。

优选地，所述S3的具体步骤如下：

S3-1：设定最大迭代次数max_iter，参数组SVRPara内两个成员相邻的判断系数为Rc，计数变量t＝1；