全文链接：http://tecdat.cn/?p=31617
原文出处：拓端数据部落公众号
咱们最近有一个很棒的机会与一位平凡的客户单干，要求构建一个适宜他们需要的持向量机回归模型。
咱们须要拟合反对向量机回归模型：进行网格搜寻超参数优化并应用训练好的模型进行预测推理、应用plot函数可视化线图比照预测值和理论值曲线。
数据
读取数据
Hd=read.xlsx("反对向量机用数据.xlsx")#读取反对向量机用数据.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）",筹备训练集和测试集
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
当初咱们在训练集上应用来训练线性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.[](http://tecdat.cn/r%e8%af%ad%e...)R语言多元Logistic逻辑回归 利用案例
2.[](http://tecdat.cn/r%e8%af%ad%e...)面板平滑转移回归(PSTR)剖析案例实现
3.[](http://tecdat.cn/r%e8%af%ad%e...)matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.[](http://tecdat.cn/r%e8%af%ad%e...)R语言泊松Poisson回归模型剖析案例
5.[](http://tecdat.cn/r%e8%af%ad%e...)R语言回归中的Hosmer-Lemeshow拟合优度测验
6.[](http://tecdat.cn/r%e8%af%ad%e...)r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.[](http://tecdat.cn/r-%e8%af%ad%...)在R语言中实现Logistic逻辑回归
8.[](http://tecdat.cn/r%e8%af%ad%e...)python用线性回归预测股票价格
9.[](http://tecdat.cn/r%e8%af%ad%e...)R语言如何在生存剖析与Cox回归中计算IDI，NRI指标