支持向量机

原理描述

本工具使用python语言包scikit-learn和NumPy建立支持向量机回归模型。

用法

点击机载林业 > 回归分析 > 支持向量机。

参数设置

• 导入训练数据：参考样本数据和自变量。
• 自变量：参考样本数据和自变量。
• 样地类型：正方形：选择样本临近的矩形区域内的点；圆形选择样本临近的圆形区域内的点。
• 长度：样地类型查询的半径。
• 采用位置不确定性优化：勾选优化后，位置不确定性变为可设置状态，该位置不确定性中的数值表示范围查询的精度值，模型内部根据该范围查询所有满足条件的样本点（样本点数如果超过50，会选择前50个点作为样本），然后根据这些样本点选择模型最优的点作为分析数据；不勾选优化，位置不确定性变为不可设置状态，模型内部会根据样本点选择最近点作为分析数据。
• 核类型：该参数定义了核函数类型。
  • 径向基函数（RBF，默认）：，其中γ>0。
  • 线性：
  • 多项式：其中γ>0。
  • Sigmoid：
• SVM类型：
  • EPSILON_SVR（默认）：EPSILON SVR(ϵSVR )。
  • NU_SVR：NU SVR(νSVR)
• Degree（默认为“3”）：内核函数的参数。
• Gamma（默认为“0.1”）：内核函数的参数。
• 精度评价：采用K-Fold交叉评价模型，根据输入的K-Fold参数，将样板分为K类，依次取其中一份作为测试数据，其它作为训练数据进行模型训练，用测试数据进行测试，选择出误差最小的模型作为最佳模型进行使用，注意：K-Fold值必须大于等于2。
• 保存回归模型：选择框被勾选，程序成功运行后将会在输出路径输出(支持向量机.model)model模型。
• 保存回归数据集：选择框被勾选，程序成功运行后将会在输出路径输出(支持向量机.csv)训练数据模型csv格式文件。
• 输出路径：选择输出的文件目录地址，在程序成功运行后，会生成相应的模型报告(支持向量机.html)文件，其中记录了模型的误差和相关值；生成相应的结果文件(支持向量机.tif)，该文件是根据模型计算出导入的tif或者csv文件的自变量值，预测出相应的因变量生成的结果；并根据勾选情况，选择生成回归模型和数据集。
  

注意：导入的样本数据必须包含在导入的自变量数据范围中，自变量可以根据实际情况进行添加或者删除，最终结果文件是根据传入的自变量信息生成的。

    @inproceedings{
        author={Chang C C and Lin C J},
        title={LIBSVM: A Library for Support Vector Machines},
        booktitle={ACM,2(3):1-27},
        year={2011}
    }