有沒有做過支持向量機做預測模型的matlab程序做個參考？瀉藥，應該用支持向量機做回歸預測！沒有預測，但根據(jù)被試的描述，j只與三個變量XYZ同時相關。它可以用支持向量機進行回歸預測，得到J變量，但我不

有沒有做過支持向量機做預測模型的matlab程序做個參考？

瀉藥，應該用支持向量機做回歸預測！沒有預測，但根據(jù)被試的描述，j只與三個變量XYZ同時相關。它可以用支持向量機進行回歸預測，得到J變量，但我不知道時間1的x，y和Z。根據(jù)時間t的x、y、Z進行預測是不可行的，但可以找到前后時間的對應關系，然后用支持向量回歸機進行預測。介紹了一種新的數(shù)據(jù)挖掘方法——支持向量機。它是關于回歸的介紹

分類和回歸問題應該根據(jù)訓練樣本函數(shù)g（x）找到一個真值?；貧w問題的要求是：給定一個新的模式，根據(jù)訓練集推斷出相應的輸出y（實數(shù)）。

換句話說，y=g（x）用于推斷任何輸入x的相應輸出值。分類問題是：給定一個新模式，根據(jù)訓練集推斷其相應的類別（如：1，-1）。也就是說，用y=sign（g（x））來推斷任何輸入x對應的類別，綜上所述，回歸問題和分類問題的本質是一樣的，唯一的區(qū)別是它們的輸出值范圍不同。在分類問題中，只有兩個值可以作為輸出，而在回歸問題中，任何實數(shù)都可以作為輸出。

支持向量機回歸與分類的區(qū)別？

謝謝。我可以確切地說，不！也許首先，為什么深度學習被稱為“深度”？從當前技術的角度來看，深度學習結合底層特征，形成更抽象的屬性類別或特征的高層表示，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學習屬于前者，它有很多參數(shù)需要調整，是一個非常大的參數(shù)模型。一般的機器學習模型屬于后者，它需要強大的特征來分離數(shù)據(jù)，最終得到不同的類別。

一般來說，目前深度學習確實有很多優(yōu)勢。例如，對我來說，這是非常簡單和暴力的。它不需要很長時間來調整參數(shù)，清理數(shù)據(jù)，并把它扔進去看看結果。如果不好，調整參數(shù)繼續(xù)嘗試。一般的機器學習模型不是這樣的。它需要大量的特征工程。但是，深度學習有一個問題，到目前為止還沒有解決的工程。它是一個可解釋性差的“黑匣子”，導致系統(tǒng)出現(xiàn)錯誤，無法快速找出原因或追溯以前的錯誤。所以在工程中，我們實際上更喜歡特征少的工程和解釋性強的模型來獲得更好的結果。我們期待著深學在未來科學技術的進一步發(fā)展。

我將在這里發(fā)表所有關于算法、機器學習和深度學習的有趣文章。

編寫代碼不容易。如果這篇文章對你有幫助，請喜歡