代码原理
1. 支持向量机简介
支持向量机是一种用于分类和回归分析的监督学习模型，尤其在小样本和高维数据集上表现良好。对于回归任务，常用的是支持向量回归（SVR），它通过找到一个决策边界来进行预测。
关键参数包括：
核函数类型（如线性核、RBF核、多项式核等）
惩罚系数C：控制模型的训练误差和复杂度之间的平衡。
核参数（如RBF核的γ参数）：影响数据在高维空间中的映射。
2. 支持向量机的不足
计算复杂度：尤其在大型数据集上，计算时间和内存需求较高。
模型选择复杂：选择合适的核函数及其参数是一个挑战。
3. 多种智能优化算法
采用智能优化算法来找到最佳SVM参数，有效提升模型性能。常用的优化算法包括：
| 鲸鱼优化算法（The Whale Optimization Algorithm ，WOA） |
| 斑马优化算法(Zebra Optimization Algorithm,ZOA) |
4. 优化SVM的过程
参数初始化：使用智能优化算法生成初始参数集，以避免随机搜索带来的低效。
参数寻优：在算法迭代过程中，通过不断调整C和核参数，智能算法能够探索更大的参数空间，提高全局搜索能力。
交叉验证：利用交叉验证来评估不同参数配置的性能，选择能使验证误差最低的配置。
加速搜索与收敛：凭借智能优化算法的快速收敛特性，提高参数优化速度。
5. 应用效果
总结
代码效果图
部分代码
%% 1.清空环境变量warning off % 关闭报警信息close all % 关闭开启的图窗clear % 清空变量clc % 清空命令行%% 2.导入数据res = xlsread('回归数据集.xlsx');%% 3.数据分析num_size = 0.7; % 训练集占数据集比例outdim = 1; % 最后一列为输出num_samples = size(res, 1); % 样本个数res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行）num_train_s = round(num_size * num_samples); % 训练集样本个数f_ = size(res, 2) - outdim; % 输入特征维度%% 4.划分训练集和测试集P_train = res(1: num_train_s, 1: f_)';T_train = res(1: num_train_s, f_ + 1: end)';M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';T_test = res(num_train_s + 1: end, f_ + 1: end)';N = size(P_test, 2);%% 5.数据归一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);t_test = mapminmax('apply', T_test, ps_output);%% 6.数据转置p_train = p_train'; p_test = p_test';t_train = t_train'; t_test = t_test';%% 创建模型c = 1.0; % 惩罚因子g = 0.8; % 径向基函数参数cmd = [' -t 2',' -c ',num2str(c),' -g ',num2str(g),' -s 3 -p 0.01'];model = svmtrain(t_train, p_train, cmd);
