SVM回归预测算法 – 基于支持向量机的回归分析【MATLAB】

最后更新于：2025-10-29 00:55:55

最后更新于：2025-10-27 18:00:00

一、代码运行环境

• MATLAB: 推荐使用MATLAB 2024a及更新版本。

二、程序介绍

本代码提供了一个完整的基于MATLAB的SVM回归预测解决方案，可用于各种回归任务。

程序文件结构

SVM_Regression/
│
├── demoSVM_Regression.m    // 主运行脚本
├── FunRegSVM.m             // 核心SVM回归函数
├── EvaRegEffect.m          // 回归性能评估函数
├── housing.txt             // 演示数据集（波士顿房价）
└── figure/                 // 存放结果图片的文件夹
    ├── 图1.png
    ├── 图2.png
    ├── 图3.png
    └── 图4.png

文件说明

1. demoSVM_Regression.m

• 说明：这是主运行脚本文件，用于演示如何使用FunRegSVM函数进行回归预测。它包括数据加载、参数设置、函数调用和结果显示等步骤，可以直接运行。
• 运行结果：
• 程序运行后会生成4张结果图，保存在figure文件夹中。
• 图1：训练集拟合效果

• 图2：测试集预测效果

• 图3：真实值与预测值对比

• 图4：性能指标对比

2. FunRegSVM.m

• 说明：封装了SVM回归的核心流程，包括数据预处理、模型训练、预测和结果可视化。
• 函数定义及参数解释：

      function [foreData, foreDataTrain, info] = FunRegSVM(X, Y, options)
      % SVM回归预测函数
      %
      % 输入参数:
      %   X - 输入特征矩阵 [n_samples × n_features]
      %   Y - 输出目标向量 [n_samples × 1]
      %   options - 参数设置结构体:
      %     .rTrain - 训练集比例 (默认0.7)
      %     .KernelFunction - 核函数类型 (默认'gaussian')
      %     .KernelScale - 核尺度参数 (默认'auto')
      %     .BoxConstraint - 惩罚系数C (默认1)
      %     .Epsilon - 容忍带宽度ε (默认iqr(Y)/13.49)
      %     .Standardize - 是否标准化 (默认true)
      %     .figflag - 是否绘图 (默认'on')
      %
      % 输出参数:
      %   foreData - 测试集预测结果
      %   foreDataTrain - 训练集拟合结果
      %   info - 包含模型、评价指标等的详细信息

3. EvaRegEffect.m

• 说明：用于评估回归模型性能的辅助函数，可计算多种常用的评价指标。
• 函数定义及参数解释：

      function indValue = EvaRegEffect(realData, foreData, indNamesCell)
      % 回归预测效果评估函数
      %
      % 输入参数:
      %   realData - 真实值向量
      %   foreData - 预测值向量
      %   indNamesCell - 需要计算的指标名称 {'MAE', 'MSE', 'RMSE', 'MAPE', 'R2'}
      %
      % 输出参数:
      %   indValue - 各指标的计算结果

三、快速开始

1. 运行测试脚本

• 打开MATLAB，将当前文件夹切换到代码所在目录。
• 在命令行窗口中输入 demoSVM_Regression 并回车，即可运行。
• 程序运行结束后，会自动弹出结果图，并在命令行窗口打印出训练集和测试集的性能指标。

2. 修改/导入数据

• 在demoSVM_Regression.m脚本的开头部分，修改数据加载代码：

      % 将'your_data.txt'替换为您的数据文件名
      data = load('your_data.txt');
      X = data(:, 1:end-1);  % 修改这里的列索引以匹配您的特征
      Y = data(:, end);      % 修改这里的列索引以匹配您的目标值

• 请确保您的数据格式与示例的housing.txt一致，即最后一列为目标值，其余列为特征。
• 关于更详细的数据导入方法，如Excel、CSV、.mat等，可以参考这篇详细教程：MATLAB的数据导入

3. 调整模型参数

• 在demoSVM_Regression.m中，您可以修改options结构体的参数来调整模型：

      % 训练集比例
      options.rTrain = 0.8;            % 可在0.6-0.9之间调整
      
      % 核函数类型
      options.KernelFunction = 'gaussian'; % 可选: 'linear', 'polynomial'
      
      % 惩罚系数C
      options.BoxConstraint = 10;      % 建议范围: 0.1-100

      % 容忍带宽度ε
      options.Epsilon = 0.1;           % 建议范围: 0.01-1.0

      % 核尺度gamma
      options.KernelScale = 3;         % 建议范围: 0.1-100, 或'auto'

参数调优建议： 1. 首先使用默认参数运行，观察R²和RMSE指标。 2. 如果模型过拟合（训练集R²远高于测试集），尝试减小BoxConstraint或KernelScale。 3. 如果模型欠拟合（训练集和测试集R²都很低），尝试增大BoxConstraint或KernelScale。 4. gaussian核（RBF核）通常效果最好，如果数据线性关系强，可尝试linear核。

四、关于完整版与公开版代码

> 代码分为完整版和公开版（试用版），以满足不同用户的需求。

—

📥 五、获取公开版程序

注：公开版代码需使用MATLAB2022a及以上版本。

💎 六、获取完整版程序

点击下面”立即支付“按钮，付款后获取完整版代码下载链接和售后联系方式~付款完成后刷新一下本页面即可看到下载链接。

（注意：支付跳转失败的话，请使用浏览器打开本页面）

点击下面”立即支付“按钮，付款后获取完整版代码下载链接和售后联系方式~付款完成后刷新一下本页面即可看到下载链接。

七、完整版代码重要更新

• 2025-10-27: 完成初版代码
• 实现基于MATLAB原生fitrsvm的回归预测
• 支持多种核函数
• 提供完整的性能评估指标
• 生成4种可视化结果
• 自动保存图片到figure文件夹

八、常见问题

Q1: 运行程序时提示找不到文件？

A: 请确保： 1. 当前MATLAB工作路径为 SVM_Regression 文件夹。 2. 所有文件（demoSVM_Regression.m、FunRegSVM.m、housing.txt）都在同一目录下。

Q2: 预测结果不理想怎么办？

A: 可以尝试： 1. 更换核函数类型（尝试 ‘linear’、’rbf’、’polynomial’）。 2. 调整惩罚系数 options.BoxConstraint（尝试0.1、1、10、100）。 3. 调整核尺度 options.KernelScale。 4. 确保数据已标准化（options.standardize = true）。 5. 检查数据质量和标签是否正确。

Q3: 如何保存训练好的模型？

A: 在demoSVM_Regression.m运行后，模型保存在info.Mdl中。使用save命令即可：

save('my_svm_model.mat', 'info');

Q4: 如何用训练好的模型预测新数据？

A: 首先加载模型，然后使用predict函数：

% 加载模型
load('my_svm_model.mat');

% 假设newData是新的特征数据
% 注意：新数据需要经过和训练时相同的归一化处理
newData_mapped = mapminmax('apply', newData', info.PSX)';

% 预测
predictions_mapped = predict(info.Mdl, newData_mapped);

% 反归一化得到最终结果
predictions_final = mapminmax('reverse', predictions_mapped', info.PSY)';

Q5: 如何引用本代码？

A: 如果在论文或报告中使用了本代码，建议注明：

代码来源：Mr.看海，SVM回归预测算法MATLAB实现
网站：www.khsci.com/docs