使用优化SVR 模型进行组效研究周培培一、课题研究背景和理论基础一、课题研究背景和理论基础 20 世纪60 年代 V. N. Vapnik 等人开始究支持向量机。 随着机器学习理论不断发展和成熟，同时由于神经网络等机器学习模型的研究进展遇到阻碍，20 世纪90年代，支持向量机的研究取得了突破性进展。 目前，支持向量机算法被认为是针对小样本统计估计和预测学习的最佳理论。优点：适用范围广、鲁棒性强、操作简单一、课题研究背景和理论基础支持向量分类机 SVC（support vector classification ）支持向量回归机SVR （support vector regression ）支持向量机 定量分析定性分析-SVR, -SVR一、课题研究背景和理论基础低维空间向高维空间映射核函数寻求最优超平面。一、课题研究背景和理论基础参数的优化至关重要： 基于梯度下降的参数选择方法、 基于蚁群算法的参数选择方法、 基于网格的参数优化方法、 基于粒子群优化算法的参数选择方法、 基于遗传算法的参数优化方法、 基于基因表达式编程的参数优化方法。 粒子群优化算法(Particle Swarm Op
