解释libsvm epsilon-SVR结果

Question

我试着用epsilon对8616个样本进行训练和交叉验证。在这些数据集中，我选择4368作为测试，4248作为简历。核类型= RBF核。Libsvm提供了如下所示的结果。

optimization finished, #iter = 502363
nu = 0.689607
obj = -6383530527604706.000000, rho = 2884789.960212
nSV = 3023, nBSV = 3004

这是通过设置

-s 3 -t 2 -c 2^28 -g 2^-13 -p 2^12

(a) "nu“是什么意思？有时，对于不同的参数，我得到nu = 0.99xx。

(b) "obj“似乎惊人地大。听起来对吗？Libsvm FAQ表示，这是“对偶SVM问题的最优目标值”。这是否意味着这是f(alpha)的最小值？

(c) "rho“也很大。这是偏差项，b.数据集标签(y)由82672到286026之间的值组成。所以我想这是合理的，对吗？

训练组，

Mean squared error = 1.26991e+008 (regression)
Squared correlation coefficient = 0.881112 (regression)

对于交叉验证集，

Mean squared error = 1.38909e+008 (regression)
Squared correlation coefficient = 0.883144 (regression)

使用所选的param，我产生了以下结果

kernel_type=2 (best c:2^28=2.68435e+008, g:2^-13=0.00012207, e:2^12=4096)
NRMS: 0.345139, best_gap:0.00199433
Mean Absolute Percent Error (MAPE): 5.39% 
Mean Absolute Error (MAE): 8956.12 MWh
Daily Peak MAPE: 5.30%

CV组MAPE值较低(5.39%)。通过偏差-方差检验，列车组与CV组间的差异仅为0.00199433，说明该参数的设定是正确的。但是我想知道巨大的"obj"，"rho“值是否正确.

我是SVR的新手，如果我的解释或验证方法不正确/不够，请纠正我。

计算MAPE的方法

train_model = svmtrain(train_label, train_data, cmd); 
[result_label, train_accuracy, train_dec_values] = svmpredict(train_label, train_data, train_model); 
train_err = train_label-result_label; 
train_errpct = abs(train_err)./train_label*100; 
train_MAPE = mean(train_errpct(~isinf(train_errpct)));

Answer 1

目标值和rho值都很高，因为(很可能)数据没有缩放。强烈建议进行缩放以避免溢出；溢出风险还取决于内核的类型。顺便说一句，在扩展培训数据时，不要忘记扩展测试数据，这是最容易实现的，首先扩展所有数据，然后将它们分割成一个培训和测试集。