我试图训练&使用epsilon SVR与8616个样本交叉验证一组数据。 在数据集中,我用4368进行测试,用4248进行CV。 内核类型= RBF内核。 Libsvm提供了如下所示的结果。解释libsvm epsilon-SVR结果
optimization finished, #iter = 502363
nu = 0.689607
obj = -6383530527604706.000000, rho = 2884789.960212
nSV = 3023, nBSV = 3004
这是一个结果,通过设置
-s 3 -t 2 -c 2^28 -g 2^-13 -p 2^12
(一)什么是 “NU” 的手段得到?有时我得到nu = 0.99xx的不同参数。 (b)看起来“obj”出奇的大。这听起来正确吗? Libsvm FAQ表示这是“双SVM问题的最优目标值”。这是否意味着这是f(alpha)的最小值?
(c)“ρ”也很大。这是一个偏倚词,b。数据集标签(y)由82672到286026之间的值组成。所以我猜这是合理的,对吗?
对于训练集,
Mean squared error = 1.26991e+008 (regression)
Squared correlation coefficient = 0.881112 (regression)
对于交叉验证集,
Mean squared error = 1.38909e+008 (regression)
Squared correlation coefficient = 0.883144 (regression)
使用所选择的PARAM,我已经产生了以下结果
kernel_type=2 (best c:2^28=2.68435e+008, g:2^-13=0.00012207, e:2^12=4096)
NRMS: 0.345139, best_gap:0.00199433
Mean Absolute Percent Error (MAPE): 5.39%
Mean Absolute Error (MAE): 8956.12 MWh
Daily Peak MAPE: 5.30%
的CV设定的MAPE较低(5.39%)。使用偏差 - 方差测试,列车集合MAPE和CV集合MAPE之间的差异仅为0.00199433,这意味着参数似乎设置正确。但我不知道是否极大的“obj”,“rho”值是正确的...
我对SVR很新,如果我的解释或验证方法不正确/不足,请纠正我。
方法来计算MAPE
train_model = svmtrain(train_label, train_data, cmd);
[result_label, train_accuracy, train_dec_values] = svmpredict(train_label, train_data, train_model);
train_err = train_label-result_label;
train_errpct = abs(train_err)./train_label*100;
train_MAPE = mean(train_errpct(~isinf(train_errpct)));
您是如何获得MAPE价值的?我的意思是我手动计算它,但是缩放点的转换很难并且不能提供确切的值。 – 2013-06-21 20:28:58
我把它作为预测值偏离实际值的百分比来计算,见上面编辑部分的最后部分。 – twfx 2013-06-23 08:01:29