回归预测就是把预测的
相关性原则作为基础,把影响预测目标的各因素找出来,然后找出这些因素和预测目标之间的函数关系的近似表达,并且用数学的方法找出来。在利用样本数据对其模型估计参数,并且对模型进行误差检验。如果模型确定,就可以用模型对因素的的变化值进行预测。
回归预测(regression forecasting)是
回归方程的一项重要应用。所谓预测就是对给定的X值,估计Y值将落在什么范围。设变量X,Y有线性关系,且
线性回归方程的
拟合度是较好的,但由于X,Y并非确定性关系,故对任意,不能精确地求得相应的y值,是根据变量之间相关关系或因果关系进行预测的方法。
依据相关关系中自变量的个数不同分类,可分为一元回归分析预测法和多元回归分析预测法。在一元回归分析预测法中,自变量只有一个,而在多元回归分析预测法中,自变量有两个以上。依据自变量和因变量之间的相关关系不同,可分为线性回归预测和非线性回归预测。
明确预测的具体目标,也就确定了因变量。如预测具体目标是下一年度的销售量,那么销售量Y就是因变量。通过市场调查和查阅资料,寻找与预测目标的相关影响因素,即自变量,并从中选出主要的影响因素。
回归分析是对具有因果关系的影响因素(
自变量)和预测对象(
因变量)所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时,建立的
回归方程才有意义。因此,作为自变量的因素与作为因变量的预测对象是否有关,相关程度如何,以及判断这种相关程度的把握性多大,就成为进行回归分析必须要解决的问题。进行相关分析,一般要求出相关关系,以相关系数的大小来判断自变量和因变量的相关的程度。
应用方面,例如:疾病预测,天气预测,市场预测,股价预测,实时业务预报等等都有广泛的应用。这些让我们看到它的前景的可观。但基于
支持向量机的回归预测也许在进行实际预测的时候有不准确的地方。也许预测的结果不是那么的令人满意,采取适当的替换核函数办法,必要时可以改进算法。还有一些诸如
移动平均法,混沌预测,神经网络预测等这些都可以去加以尝试,或根据与支持向量机结合进行改进。方便我们实际生活的预测。支持向量机的发展领域很广泛,在支持向量机的预测方法上相信以后继续会对我们的研究带来很大的进展。