14、通胀率预测与面部检测识别系统研究

通胀率预测与面部检测识别系统研究

通胀率预测

在通胀率预测领域，不同的研究采用了多种方法。
- 已有研究方法
- SVR与SVR - WAPSO ：SVR的参数为C = 0.01, e = 0.000013, r = 0.911, c = 0.4, k = 0.9；SVR - WAPSO的参数为C = 0.01, e = 0.00007, r = 0.7775, c = 0.1, k = 0.1。它们将预测率与实际率进行比较，SVR的准确率为94.654%，SVR - WAPSO的准确率为97.459%。
- 基于遗传算法的回归方法 ：Dharma等人使用基于遗传算法的回归方法预测通胀率，通过消费者价格指数（CPI）训练模型，模型的均方误差（MSE）值为0.1099。
- 机器学习方法 ：Yadav等人使用多种回归算法，如线性回归、岭回归、Lasso回归、提升回归和随机森林回归，通过CPI预测通胀率，并比较不同算法的平方得分、MSE和平均绝对误差（MAE）值，其中XGBoost回归的准确率最高，达到91.2363%。
- 支持向量回归（SVR） ：Zhang等人使用SVR预测通胀，通过网格搜索方法找到SVR的最优参数，并与反向传播神经网络和线性回归进行比较，SVR的均方根误差（RMSE）为0.1，MAE为0.2，结果优于其他两种方法。

• 研究方法