matlab最小二乘支持向量機工具箱

⑴ matlab最小二乘法工具箱在哪找不到

這些在matlab的幫助文件里都有說明的，直接在help菜單里搜RMSE就找到了，而且那幾個統計量都在

⑵ 最小二乘法在matlab中怎麼實現啊

matlab中用最小二乘擬合的常用函數有polyfit（多項式擬合）、nlinfit（非線性擬合）以及regress（多元線性回歸）。自變數有個或以上時，應變數一個，可以使用的有nlinfit和regress，線性時用regress，非線性時用nlinfit。對於進階matlab使用者還有更多的選擇，如擬合工具箱、fit函數、interp系列插值擬合等等。

具體介紹一下regress

regress雖然名義上只能做線性回歸但是可以把x^2等非線性量作為一個額外自變數做計算，因此在一些特殊情況下也可以做非線性擬合。

以matlab自帶的數據為樣本，示例代碼如下：（%後面的是注釋）

clc;clear;

load carsmall%此數據樣本matlab自帶

x=Weight;y=Horsepower;z=MPG;%取這3個變數作為擬合對象，x、y自變數，z應變數

plot3(x,y,z,'p');

hold on;

c=ones(length(x),1);

b=regress(z,[x,y,c]);%純線性擬合 模型z=b(1)*x+b(2)*y+b(3)

[X,Y]=meshgrid(linspace(1500,5000,10),linspace(40,240,10));

C=ones(10);

mesh(X,Y,b(1)*X+b(2)*Y+b(3)*C);

grid on;

b=regress(z,[x.^2,y.^2,x.*y,x,y,c]);%添加非線性項進行擬合

figure

plot3(x,y,z,'p');

hold on;

mesh(X,Y,b(1)*X.^2+b(2)*Y.^2+b(3)*X.*Y+b(4)*X+b(5)*Y+b(6)*C);

grid on;

⑶ 關於matlab的SVM工具箱的幾個函數

能不用自帶函數不，給你個最小二乘支持向量機的自編代碼
clear all;
clc;
N=35; %樣本個數
NN1=4; %預測樣本數
%********************隨機選擇初始訓練樣本及確定預測樣本*******************************
x=[];
y=[];
index=randperm(N); %隨機排序N個序列
index=sort(index);
gama=23.411; %正則化參數
deita=0.0698; %核參數值
%thita=; %核參數值
%*********構造感知機核函數*************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=tanh(deita*(x1'*x2)+thita);
% end
%end
%*********構造徑向基核函數**************************************
for i=1:N
x1=x(:,index(i));
for j=1:N
x2=x(:,index(j));
x12=x1-x2;
K(i,j)=exp(-(x12'*x12)/2/(deita*deita));
end
end
%*********構造多項式核函數****************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=(1+x1'*x2)^(deita);
% end
%end
%*********構造核矩陣************************************
for i=1:N-NN1
for j=1:N-NN1
omeiga1(i,j)=K(i,j);
end
end
omeiga2=omeiga1';
omeiga=omeiga2+(1/gama)*eye(N-NN1);
A12=ones(1,N-NN1);
A21=A12';
A=[0 A12;A21 omeiga];
%**************************************
for i=1:N-NN1
B21(i,:)=y(index(i));
end
B=[0;B21];
%********LS-SVM模型的解******************************
C=A\B;
%******
b=C(1); %模型參數
for i=1:N-NN1
aipha(i)=C(i+1); %模型參數，行向量
end
%*******************************************
for i=1:N %預測模型
aifx(i)=b+(aipha)*K(1:N-NN1,i);
end
%*******************************************
aifx
index

⑷ 請會用matlab最小二乘支持向量機的高手幫個忙啊！

一方面，這跟什麼訓練精度無關，跟你輸出向量有關，如果輸出是白雜訊，你怎麼擬合都不可能得到好結果，所以擬合的結果跟輸出也有關系。

另一方面，你用10行2列可以得到較好結果，說明10行6列雖然有可能提高擬合的自由度，但也引入了更多的不確定性。

可以試試robust regression，搜一搜相關的用法，不詳述了。

⑸ 求助半監督最小二乘支持向量機的MATLAB程序

支持向量機 1 簡介 支持向量機基本上是最好的有監督學習演算法了。最開始接觸SVM是去年暑假的時候，老師要求交《統計學習理論》的報告，那時去網上下了一份入門教程，裡面講的很通俗，當時只是大致了解了一些相關概念。這次斯坦福提供的學習材料，...

⑹ MATLAB中LS-SVM工具箱的問題

LS-SVM是什麼，題主隨便搜索一下就應該知道了啊。。。

LS-SVM是的縮寫，中文翻譯成「最小二專乘支持向量屬機」，用於非線性分類、回歸、時間序列預測和無監督學習等領域。

至於那兩個函數，trainlssvm用來訓練得到模型，simlssvm則用trainlssvm訓練得到的model為測試集分類或者進行函數擬合（和神經網路中的概念類似）。

工具箱裡面有相應的演示程序（名字都以demo開頭），您可以結合具體的例子去學習。

附件是一個關於該工具箱的說明，供參考。