一种基于RReliefF算法和支持向量回归的趋势预测方法技术

本发明专利技术涉及基于RReliefF算法和支持向量回归的趋势预测方法属于机器学习和数据挖掘领域，其特征在于采用如下步骤：(1)确定类别样本I1，I2对特征属性T的差异程度S；(2)更新质量估计权值W[T]；(3)确定特征属性T(t1，t2，...，ts)；(4)训练支持向量回归模型，求解f(x)；(5)将测试集样本作为输入，利用RReliefF算法选取特征向量并输入支持向量回归模型中进行预测，得到预测结果。本发明专利技术所建立的基于RReliefF算法和支持向量回归的趋势预测方法，用RReliefF算法进行特征提取，并将其作为支持向量回归模型的输入进行训练，实现了数值预测。通过多组数据实验结果可知，相比于其他模型相比，本发明专利技术训练时间更短并且预测精度相对较高，为趋势预测提供了在保证了预测精度的基础上增加模型的训练速度的预测方法。

【技术实现步骤摘要】
一种基于RReliefF算法和支持向量回归的趋势预测方法
本专利技术涉及机器学习与数据挖掘领域，主要是一种数值趋势预测方法。
技术介绍
目前针对数值趋势预测问题，大多数模型可以达到很高的预测精度，但是模型过于复杂导致训练时间过长。有些模型虽然训练数据较快，但是在模型训练选取数据特征的时候，往往需要经过一些复杂的计算评估流程。在数值趋势预测中，特征数量比较多，其中可能存在不相关的特征，特征之间也可能存在相关性，这容易导致“维度灾难”，使其模型推广能力下降，或者导致模型可能出现不适定的情况，即模型训练得到的参数会因为样本的微小变化而出现较大的波动，因此在特征选择的过程中，大多数模型在特征选择方面进行复杂化，这就导致模型训练时间过长，复杂度升高，降低了模型效果。例如，利用遗传算法进行特征选取的时候，首先需要随机产生一批特征子集，并用评价函数给这些特征子集评分，然后通过交叉、突变等操作繁殖出下一代的特征子集，选取评分越高的特征子集参加繁殖。这样经过N代的繁殖和优胜劣汰后，才能得到评价函数值最高的特征子集，这样虽然可以达到较高的预测精度，但是算法流程过于复杂，在一定程度上降低了模型效率。我国在本文档来自技高网...

【技术保护点】
1.基于RReliefF算法和支持向量回归的趋势预测方法，其具体归类步骤如下：(1)确定类别样本I1，I2对特征属性T的差异程度S：

【技术特征摘要】
1.基于RReliefF算法和支持向量回归的趋势预测方法，其具体归类步骤如下：(1)确定类别样本I1，I2对特征属性T的差异程度S：式中，value(T，I1)和value(T，I2)分别表示具有属性值T的类别样本I1，I2的判别值；(2)更新质量估计权值W[T]：其中，PdifA＝P(difvalue(A)|相近的样本)Pdifc＝P(difprediction|相近的样本)，PdifC|difA＝P((difpr...

【专利技术属性】
技术研发人员：胡燕祝，王松，
申请(专利权)人：胡燕祝，
类型：发明
国别省市：北京,11