全文链接：http://tecdat.cn/?p=31617

原文出处：拓端数据部落公众号

我们最近有一个很棒的机会与一位伟大的客户合作，要求构建一个适合他们需求的持向量机回归模型。

我们需要拟合支持向量机回归模型：进行网格搜索超参数优化并使用训练好的模型进行预测推理、使用plot函数可视化线图对比预测值和实际值曲线。

数据

读取数据

Hd=read.xlsx("支持向量机用数据.xlsx")#读取支持向量机用数据.xlsxhead(Hd)#查看数据

数据预处理

#归一化  Hd=scale(Hd[,-1])#查看变量之间的关系  plot(Hd[,c("猪粮比价格变动率","玉米价格变动率（时差已调整）",              "存栏量变动率（时差已调整）",

查看变量之间的关联系数

cor(Hd[,c("猪粮比价格变动率","玉米价格变动率（时差已调整）",

准备训练集和测试集

n=nrow(Hd) ntrain <- round(n*0.8) # 训练集 tindex <- sample(n,ntrain) # 筛选测试集样本

训练集可视化

plot(Hd[,c("猪粮比价格变动率","玉米价格变动率（时差已调整）")] ,pch=ifelse

训练SVM模型

现在我们在训练集上使用来训练线性SVM

model <- svm(猪粮比价格变动率 ~ . , Hd)

mse <- function(error)   {     sqrt(mean(error^2))      predictionmse ## [1] 0.6789526

求解最优参数

predictionmse=0  jj=1  for(i in seq(0,1,0.1)){     for(j in seq(0.1,1,0.1)){             model <- svm(Hd$"猪粮比价格变动率" ~ .    

找到最佳参数

   which.min(predictionmse)## [1] 10

用最优参数预测

,epsilon=1,cost=0.1) points(Hd$"玉米价格变动率.时差已调整.", predictedY, col = "red", pch=4)

预测新数据

plot(Hd_predict[,c(3,2)] ,pch=ifelse(istrain==1,1,2))         points(Hd_predict$"玉米价格变动率.时差已调整.", predictednew, col = "red", pch=4)

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标