matlab的svr回归 代码

SVR（支持向量回归）是一种基于支持向量机（SVM）的回归方法，它可以用于拟合数据并进行预测。在Matlab中，可以使用以下代码来实现SVR回归：

% 生成样本数据
X = linspace(0, 10, 100)';
y = sin(X) + 0.5*randn(100,1);

% 建立SVR模型
epsilon = 0.2; % 设定容忍度
C = 1.0; % 惩罚参数
svmModel = fitrsvm(X, y, 'Standardize', true, 'KernelFunction', 'linear', 'Epsilon', epsilon, 'BoxConstraint', C);

% 对新数据进行预测
X_test = linspace(0, 10, 50)';
y_pred = predict(svmModel, X_test);

% 可视化结果
figure;
plot(X, y, 'o');
hold on;
plot(X_test, y_pred, '-');
xlabel('X');
ylabel('y');
legend('真实值', '预测值');

以上代码首先生成了一些样本数据，然后使用`fitrsvm`函数建立了SVR模型，其中指定了使用线性核函数、容忍度和惩罚参数等参数。接着使用`predict`函数对新数据进行预测，并使用`plot`函数将原始数据和预测结果进行可视化展示。

通过这段代码，我们可以很方便地利用Matlab实现SVR回归，对数据进行拟合和预测，并且通过可视化直观地观察模型的效果。SVR回归在处理非线性、高维度的数据时具有较好的拟合性能，可以广泛应用于机器学习和数据分析领域。