SVM 平台的更多示例

连续响应的支持向量回归示例

支持向量回归 (SVR) 模型使用 SVM 算法来预测连续响应数据。本例使用支持向量机示例中所用的关于糖尿病患者的相同医疗数据。您现在有了一个连续测度，而不是糖尿病发展的二值型测度。值越高，疾病进展越快。改变径向基函数的成本参数以便找到最佳拟合模型。

1. 选择帮助 > 样本数据库，然后打开 Diabetes.jmp。

2. 选择分析 > 预测建模 > 支持向量机。

3. 选择 Y 并点击 Y，响应。

4. 从年龄一直选到葡萄糖，然后点击 X，因子。

5. 选择验证并点击验证。

6. 点击确定。

7. 在“模型启动”控制面板中，检查核函数是否为成本参数为 1 且 Gamma 参数为 0.1 的“径向基函数”。

8. 点击执行。

9. 点击“模型启动”旁边的灰色小三角以打开“模型启动”控制面板。

10. 将成本参数改为 0.1。

11. 点击执行。

12. 点击“模型启动”旁边的灰色小三角以打开“模型启动”控制面板。

13. 将成本参数改为 2。

14. 点击执行。

图 9.6 “模型比较”报表 

“模型比较”报表包含使用不同成本参数的模型结果。回想一下，较高的成本参数实现的算法不太可能误分类某个点，而较低的成本参数实现的算法更灵活。在这种情况下，更灵活的模型（成本参数等于 0.1）会生成最佳模型拟合。

15. 在“模型比较”报表的“显示”列中，取消选择“模型 1”和“模型 3”。

图 9.7 连续响应的模型报表 

连续响应的模型报表包含“模型汇总”、“估计详细信息”和“预测值-实际值”图。在“模型汇总”报表中，训练集的 RASE 是 52.58，验证集的 RASE 是 57.50。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).