具有精确预测因子的支持向量逻辑回归方法及存储介质技术

本申请涉及数据挖掘中的监督学习技术领域，公开了一种具有精确预测因子的支持向量逻辑回归方法、存储介质及电子设备，包括：构建输入数据集x

【技术实现步骤摘要】
具有精确预测因子的支持向量逻辑回归方法及存储介质


[0001]本申请涉及数据挖掘中的监督学习
，尤其是一种具有精确预测因子的支持向量逻辑回归方法及存储介质。

技术介绍

[0002]数据挖掘是基于统计学、机器学习、人工智能等的决策支持过程，伴随云计算的发展，通过数据挖掘后所获取的信息和知识，在商务管理、市场分析、生产控制、工程设计等领域中被广泛应用；其中逻辑回归(LR)作为一种广义的回归分析模型，在数据挖掘、疾病自动诊断、经济预测等领域中被频繁使用。然而，在多数实际生活情景中，回归分析的响应变量为模糊量，而非传统的二元变量，传统逻辑回归(LR)的使用受到了极大约束。
[0003]随着模糊数学研究的不断深入，模糊逻辑回归模型现已在模糊数据的实际应用中得到了快速发展。然而，过去的模糊逻辑回归模型均未能够在结果的有效性和精确性上有较大突破，未能较好地应用于处理生活中的模糊现象。其依赖于传统的线性逻辑回归，并使用传统的优化技术，如最小平方误差(LMSE)、最小绝对偏差(LAD)等算法来预估模型的组成部分，容易受到局部极值的影响。同时，忽略了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有精确预测因子的支持向量逻辑回归方法，其特征在于，包括：构建输入数据集x
i
的矩阵A；基于上述矩阵A构建非线性预测函数其中，和为模糊系数；根据上述非线性预测函数构建出三个支持向量回归模型；对上述三个支持向量回归模型进行模型参数求解；对上述三个支持向量回归模型进行误差检验和预测性能检验。2.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述构建输入数据的矩阵A包括以下步骤：构建噪声损坏的训练集合其中，x
i
∈R
n
，x
i
对应的观测值对应的观测值为第i次观察成功的可能性；将输入值x
i
排列在n行m列的矩阵A中，其中，第i行的值为将作为观察模糊值的向量。3.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述构建非线性预测函数包括以下步骤：获取核矩阵K(A,A
t
)，使得(K(A,A
t
))
ij
＝K(x
i
,x
j
)；响应于x∈R
m
，则以K(x,A
t
)＝(K(x,x1),
…
,K(x,x
m
))为行向量；构建非线性预测函数构建非线性预测函数构建非线性预测函数其中，w＝(w1,
…
,w
m
)
T
，l
w
＝(l
w1
,l
w2
…
,l
wm
)
T
，r
w
＝(r
w1
,r
w2
…
,r
wm
)
T
；4.根据权利要求1所述的具有精确预测因子的支持向量逻辑回归方法，其特征在于，所述支持向量回归模型的构建包括以下步骤：响应于K(A,A
t
)为正数，则上述非线性预测函数等价于(f(x)；l
f(x)
；r
f(x)
)
T
＝(K(x,A
t
)w+b；K(x,A
t
)l
w
+l
b
；K(x,A
...

【专利技术属性】
技术研发人员：孙梦思，琚春华，鲍福光，谷海彬，陈锦鹏，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：