我们需要拟合支持向量机回归模型：进行网格搜索超参数优化并使用训练好的模型进行预测推理、使用plot函数可视化线图对比预测值和实际值。
数据
读取数据
Hd=read.xlsx("支持向量机用数据.xlsx")#读取支持向量机用数据.xlsx head(Hd)#查看数据
数据预处理
#归一化 Hd=scale(Hd[,-1]) #查看变量之间的关系 plot(Hd[,c("猪粮比价格变动率","玉米价格变动率（时差已调整）", "存栏量变动率（时差已调整）",
查看变量之间的关联系数
cor(Hd[,c("猪粮比价格变动率","玉米价格变动率（时差已调整）",
点击标题查阅往期内容
01
02
03
04
准备训练集和测试集
n=nrow(Hd) ntrain <- round(n*0.8) # 训练集 tindex <- sample(n,ntrain) # 筛选测试集样本
训练集可视化
plot(Hd[,c("猪粮比价格变动率","玉米价格变动率（时差已调整）")] ,pch=ifelse
训练SVM模型
现在我们在训练集上使用来训练线性SVM
model <- svm(猪粮比价格变动率 ~ . , Hd)
mse <- function(error) { sqrt(mean(error^2)) predictionmse ## [1] 0.6789526
求解最优参数
predictionmse=0 jj=1 for(i in seq(0,1,0.1)){ for(j in seq(0.1,1,0.1)){ model <- svm(Hd$"猪粮比价格变动率" ~ .
找到最佳参数
which.min(predictionmse) ## [1] 10
用最优参数预测
,epsilon=1,cost=0.1) points(Hd$"玉米价格变动率.时差已调整.", predictedY, col = "red", pch=4)
预测新数据
plot(Hd_predict[,c(3,2)] ,pch=ifelse(istrain==1,1,2)) points(Hd_predict$"玉米价格变动率.时差已调整.", predictednew, col = "red", pch=4)
