支持向量机（SVM）不仅可以用于分类问题，还可以用于回归问题。在 SVM 回归中，模型的目标是尽量拟合给定的数据集，同时保持尽可能多的数据点落在间隔（epsilon-tube）内。

为了解决矿井涌水量预测难题,在Grid-Search_PSO优化SVM参数的基础上,采用SVM非线性回归预测法,对大海则煤矿1999~2008年7月份的矿井涌水量进行了预测。分析对比SVM回归预测法和ARIMA时间序列预测法预测结果的数据误差,发现SVM回归法预测值与实测值之间的偏差比ARIMA时间序列法要小很多。可见在影响矿井涌水量各种因素值具备的情况下,SVM非线性回归预测所建立的模型能够更准确地预测矿井的涌水量,在矿井安全生产中具有很大的应用价值。

1. 对应视频链接：https://www.bilibili.com/video/BV1PB4y167et/?vd_source=cf212b6ac033705686666be12f69c448 2. Matlab实现支持向量机的数据回归预测（完整源码和数据) 3. 多变量输入，单变量输出，数据回归预测 4. 评价指标包括：R2、MAE、MSE、RMSE 5. 包括拟合效果图和散点图 6. Excel数据，暂无版本限制，推荐2018B及以上版本 7. 其他代码连接：https://docs.qq.com/sheet/DRXBpdVRydFRHTXlB?tab=BB08J2&_t=1667389129635&u=96322ede66974c7097f1238bbc559fdc 注：采用 Libsvm 工具箱（无需安装，可直接运行），仅支持 Windows 64位系统

SVM回归预测，机器学习算法

通过对同步采集的点焊焊接过程动态电阻、电极位移信号的特征分析,提取出若干特征参量,依据所提取特征参量与焊点接头抗剪强度之间的相关性分析结果,选取相关系数较大的6个特征参量建立数据集作为SVM的输入,分别利用线兴函数、多项式核函数、RBF核函数实现监测参量与焊点强度之间的映射.采用交叉有效性检验对不同核函数下预测结果进行比较,结果表明,RBF核函数支持向量机各项预测误差最小,有较好的应用前景.

基于支持向量机的数据回归预测(libsvm) （Matlab完整程序和数据） 运行版本2018及以上

Matlab可以使用fitrsvm创建回归支持向量机模型。fitrsvm在中低维预测变量数据集上训练或交叉验证支持向量机（SVM）回归模型。 fitrsvm支持使用内核函数映射预测变量数据，并支持通过二次编程实现目标函数最小化。要在高维数据集（即包含许多预测变量的数据集）上训练线性SVM回归模型，请改用fitrlinear。

机器学习工具箱 主程序可以对数据应用几种监督分类方法： Logistic回归（线性模型） 支持向量机 装袋 随机森林 神经网络 可以使用其他一些工具，例如Boosting，K均值，线性回归。 该程序使用不同的外部工具箱： Prtools套袋和随机森林 用于神经网络的DeepLearnToolbox-master 适用于SVM的libsvm-3.20 此外，一些代码来自Andrew Ng的Coursera MOOC：。

粒子群算法+优化支持向量机SVM+回归预测SVR+matlab源代码

本资源是SVM神经网络的信息粒化时序回归预测的matlab仿真。本资源利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测，通过实际检验会看到这种方法是十分可行的并且结果很是可靠。