Question

我试图训练＆amp;使用epsilon SVR交叉验证8616个样本的一组数据。在这些数据集中，我将4368用于测试，4248用于CV。内核类型= RBF内核。 Libsvm提供如下所示的结果。

optimization finished, #iter = 502363
nu = 0.689607
obj = -6383530527604706.000000, rho = 2884789.960212
nSV = 3023, nBSV = 3004

这是通过设置

得到的结果

-s 3 -t 2 -c 2^28 -g 2^-13 -p 2^12

（a）“nu”是什么意思？有时我得到nu = 0.99xx的不同参数。

（b）似乎“obj”出乎意料地大。这听起来不错吗？ Libsvm常见问题解答称这是“双SVM问题的最佳客观价值”。这是否意味着这是f（alpha）的最小值？

（c）“rho”也很大。这是偏见词，b。数据集标签（y）由82672到286026之间的值组成。所以我想这是合理的，我是对的吗？

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)

使用选定的参数，我产生了以下结果

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%

CV集MAPE较低（5.39％）。使用Bias-Variance测试，列车集MAPE和CV集MAPE之间的差异仅为0.00199433，这意味着param似乎设置正确。但我想知道极大的“obj”，“rho”值是否正确....

我是SVR的新手，如果我的解释或验证方法不正确/不充分，请纠正我。

计算MAPE的方法

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)));

Answer 1

目标和rho值很高，因为（很可能）数据没有缩放。强烈建议使用缩放以避免溢出;溢出风险还取决于内核的类型。顺便说一下，在扩展训练数据时，不要忘记缩放测试数据，这最容易通过首先缩放所有数据，然后将它们分成训练和测试集来实现。

解释libsvm epsilon-SVR结果

1 个答案: