支持向量回归机核参数优化研究

摘要

为了解决支持向量回归机中核函数的核参数选择问题,在深入分析高斯尺度空间理论的基础上,提出了一种基于样本特征维数的高斯核的核参数选择算法.首先,初始化核参数值为样本总特征个数的倒数,选定样本输出的预测值与真实值的均方误差为评估标准;然后,利用评估标准最小化的原则来搜寻最优的核参数值;最后,应用最优的核参数值于支持向量回归机的训练和预测.UCI数据集上的实验结果表明了,相较于传统的5折交叉验证、最小二乘和神经网络算法,所提出的基于样本特片维数的核参数优化算法能高效地实现核参数的选择,收敛速度快,在回归估计中具有较好的泛化性能和预测精度,验证了该优化方法的有效性.