我試圖訓練&使用epsilon SVR與8616個樣本交叉驗證一組數據。 在數據集中,我用4368進行測試,用4248進行CV。 內核類型= RBF內核。 Libsvm提供瞭如下所示的結果。解釋libsvm epsilon-SVR結果
optimization finished, #iter = 502363
nu = 0.689607
obj = -6383530527604706.000000, rho = 2884789.960212
nSV = 3023, nBSV = 3004
這是一個結果,通過設置
-s 3 -t 2 -c 2^28 -g 2^-13 -p 2^12
(一)什麼是 「NU」 的手段得到?有時我得到nu = 0.99xx的不同參數。 (b)看起來「obj」出奇的大。這聽起來正確嗎? Libsvm FAQ表示這是「雙SVM問題的最優目標值」。這是否意味着這是f(alpha)的最小值?
(c)「ρ」也很大。這是一個偏倚詞,b。數據集標籤(y)由82672到286026之間的值組成。所以我猜這是合理的,對嗎?
對於訓練集,
Mean squared error = 1.26991e+008 (regression)
Squared correlation coefficient = 0.881112 (regression)
對於交叉驗證集,
Mean squared error = 1.38909e+008 (regression)
Squared correlation coefficient = 0.883144 (regression)
使用所選擇的PARAM,我已經產生了以下結果
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設定的MAPE較低(5.39%)。使用偏差 - 方差測試,列車集合MAPE和CV集合MAPE之間的差異僅爲0.00199433,這意味着參數似乎設置正確。但我不知道是否極大的「obj」,「rho」值是正確的...
我對SVR很新,如果我的解釋或驗證方法不正確/不足,請糾正我。
方法來計算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)));
您是如何獲得MAPE價值的?我的意思是我手動計算它,但是縮放點的轉換很難並且不能提供確切的值。 – 2013-06-21 20:28:58
我把它作爲預測值偏離實際值的百分比來計算,見上面編輯部分的最後部分。 – twfx 2013-06-23 08:01:29