LS- SVMlab1.6工具箱用户指南中文版.docVIP

LS- SVMlab1.6工具箱用户指南中文版 导读：就爱阅读网友为您分享以下“LS- SVMlab1.6工具箱用户指南中文版”的资讯，希望对您有所帮助，感谢您对92的支持! = 0.15; gt;gt; sel = rand(length(X),1)gt;epsilon; gt;gt; Y = sinc(X)+sel.*normrnd(0,.1,length(X),1)+(1-sel).*normrnd(0,2,length(X),1); 稳健的调整参数的调整工作由最小二乘支持向量机的交叉有效数据实现。同时注意到首选的 损失函数是 L1。选择成本函数中的加权函数作为胡贝尔加权。在工具箱内可能还有逻辑加权，极 大加权和汉佩尔加权。 gt;gt; model = initlssvm(X,Y,’f’,[],[],’RBF_kernel’); gt;gt; L_fold = 10; %10 fold CV gt;gt; model = tunelssvm(model,[1e-3 1e5 0.01 3],...’rcrossvalidatelssvm’,{L_fold,’mae’},’whuber’); 由 robustlssvm 执行训练任务 gt;gt; model = robustlssvm(model); gt;gt; plotlssvm(model);图 3.8：以一个具有 15％扰动的 Sinc 数据内集进行实验。 （a）应用标准的训练和超参数选择 技术 （b） 应用迭代重加权最小二乘支持向量机的训练加上一个强大的 crossvalidation 评分功能， 提高了测试设备的性能。 第二，更极端的例子，我们已采取污染分布是一个立方米的标准柯西分布和 ? = 0.3gt;gt; X = (-5:.07:5)’; gt;gt; epsilon = 0.3; gt;gt; sel = rand(length(X),1)gt;epsilon; gt;gt; Y = sinc(X)+sel.*normrnd(0,.1,length(X),1)+(1-sel).*trnd(1,length(X),1).;一如以往， 我们使用了可以进行交叉验证的完整版本。成本函数中的加权函数被选为无穷大。 所有的加权函数 W : R → [0, 1]其中 W(r) = ?(r)/r 满足 W(0) = 1，如表 3.1 所示的相应损失 函数 L（R）和得分函数 ψ（r）=dL（r）/dr. 这种经过特别设计的加权函数类型是来处理极端的 异常值。结果显示在图 3.9 中。四权函数包含三个参数。在下面的参数设置（五表示残差工具箱， 疯狂的中位数绝对偏差和 IQR 为是跨阶层的范围）? Huber weights: β = 1.345MAD(e) ? Hampel weights: b1 = 2.5 并且 b2 = 3 ? myriad weights: δ = 0.5iqr(e) gt;gt; model = initlssvm(X,Y,?f?,[],[],?RBF_kernel?); gt;gt; L_fold = 10; %10 fold CV gt;gt; model = tunelssvm(model,[1e-3 1e5 0.01 3],...?rcrossvalidatelssvm?,{L_fold,?mae?},?wmyriad?); gt;gt; model = robustlssvm(model); gt;gt; plotlssvm(model);图 3.9 以一个具有扰动的 Sinc 数据内集进行实验。 （a）应用了标准的训练和调整技术参数的 选择（b）应用一个迭代重加权 LS - SVM 的训练（无数的权重）加上一个强大的交叉验证评分功能， 提高了测试设备的性能; 表 3.1 胡贝尔，汉普尔，逻辑斯蒂和无数（带参数的定义 δ∈?0）权函数瓦（·） 。的相应 损失的 L（·）和得分函数 ψ（°）也分别给出。3.3.6 多输出回归多个输出的情况下一个数据可以分别对应不同的输出。其中之一可以让工具箱通过传递正确 的参数来完成。这一案例说明如何处理多重输出gt;gt; % load data in X, Xt and Y gt;gt; % where size Y is N x 3 gt;gt; gt;gt; gam = 1; gt;gt; sig2 = 1; gt;gt; [alpha,b] = trainlssvm({X,Y,’classification’,gam,sig2});gt;gt; Yhs = simlssvm({