基于支撑向量机的回归方法研究的中期报告.docx

基于支撑向量机的回归方法研究的中期报告
本次研究主要集中于基于支持向量机回归模型的研究和实现。
首先，我们对支持向量机回归模型进行了理论研究。支持向量机回归模型的核心思想是通过构造一个最优超平面，将样本点分为两个类别，使得两个类别的分类间隔最大化，从而实现对数据的分类。
在支持向量机回归模型中，我们采用了常见的线性回归模型。为了提升模型效果，我们采用了基于径向基函数（RBF）核函数的非线性回归模型。RBF核函数的主要目的是将数据映射到高维空间中，从而使得原本线性不可分的数据在高维空间变得线性可分。
接着，我们使用Python中的sklearn包实现了支持向量机回归模型。我们以公开数据集BostonHousePricing数据集为例，将数据集分为训练集和测试集，并对模型进行了训练和测试。
我们通过评价指标均方误差（MSE）和R平方值（R-Squared）比较了线性回归模型和RBF核函数非线性回归模型的效果。实验结果表明，非线性回归模型的效果优于线性回归模型。
最后，我们还尝试了使用支持向量机回归模型对中等风速预测进行建模，并进行了实验预测。实验结果表明，支持向量机回归模型能够有效地预测中等风速。
总结起来，本次研究通过对支持向量机回归模型的理论研究和实现，实现了基于sklearn包的支持向量机回归模型并验证了模型的可行性。虽然还有一些问题需要进一步探究，但本研究为后续的研究提供了参考。