11、支持向量回归与隐马尔可夫模型详解

支持向量回归与隐马尔可夫模型详解

支持向量回归（SVR）

SVR的优缺点

支持向量回归可分为生成式和判别式两种类型，它们各有优缺点，具体如下：
|类型|优点|缺点|
| ---- | ---- | ---- |
|生成式|1. 对异常值具有鲁棒性
2. 能轻松更新决策模型
3. 可通过应用概率规则组合在不同类型数据上训练的分类器
4. 基于后验分布测量分类的置信度，在置信度低时不进行预测，提高预测准确性|1. 计算要求高
2. 需要大量训练数据
3. 受维度灾难影响|
|判别式|1. 计算要求较低
2. 易于实现|1. 对噪声数据和异常值敏感
2. 决策模型有任何变化都需要重新训练|

用于功率预测的非对称SVR案例研究

背景与理由

在许多近似问题中，预测误差高于或低于目标值会产生不同的后果。例如，在功率预测中，低估可能比高估更令人担忧。低估可能导致数据中心冷却不足、不间断电源供应不足、处理器资源不可用以及芯片组件不必要的关机等问题。在森林火灾行为预测中，低估威胁可能由于人员和设备供应不足而导致更大的财产损失和人员伤亡。因此，在这些情况下，即使冒着降低整体估计准确性的风险，也需要最小化某一侧的误估计。这就需要限制损失函数，使低估或高估的数量最少，从而产生了用于训练的非对称损失函数，当误估计在边界的错误一侧时会施加更大的惩罚。

方法

非对称和下界支持向量回归（ALB - SVR）由Stockman、Awad和Khanna在2012年提出。该方法修改了SVR损失函数和相应的误差函数，