我想使用支持向量机（SVM）进行预测。我已经使用Matlab函数fitrsvm和predict编写了如下代码，
tb = table(x,y)
Mdl = fitrsvm(tb,'y','KernelFunction','gaussian')
YFit = predict(Mdl,tb);
scatter(x,y);
hold on
plot(x,YFit,'r.')我得到的输出在这里
。
蓝色是测试值（tb），红色是使用SVM的预测。正如你所见，这个预测是错误的。有人能告诉我如何改进预测，使其更接近测量值吗？
回答：
你应该使用像RBF或高斯这样的核函数。
SVM的默认核函数是K(xi, xj) = xi*xj，这是一个线性核函数。当然，你只能得到线性回归的结果。
代码如下
x = 0:0.01:5 ;y = sin(x)+rand(1, length(x)) ;x = x' ;y = y' ;tb = table(x,y) ;Mdl = fitrsvm(tb,'y','KernelFunction','gaussian');YFit = predict(Mdl,tb);
scatter(x,y);
hold on
plot(x,YFit,'r.')=======================================================================
至于结果的准确性，依赖于许多因素，如核函数的类型、惩罚系数的调整等，通常需要多次调整参数。交叉验证可以帮助你找到一组好的参数
