我目前正在测试支持向量回归(SVR)是否有两个输出的回归问题。这意味着Y_train_data
每个样本都有两个值。由于SVR只能产生单个输出,因此我使用scikit中的MultiOutputRegressor。
svr_reg = MultiOutputRegressor(SVR(kernel=_kernel, C=_C, gamma=_gamma, degree=_degree, coef0=_coef0))
svr_reg.fit(X_train_data, Y_train_data)
现在我已经注意到,即使在超参数优化之后,SVR的结果也比单个决策树差得多。
将SVR与多个输出一起使用时,这是一个已知问题吗?
创建两个具有不同超参数的独立SVR模型会更好吗?
答案 0 :(得分:0)
如 Vivek Kumar 的评论所示,您的 SVR 可能表现更差,因为它不会同时计算输出以考虑输出之间的相关性。因此,我建议使用能够处理多个目标的自适应 SVR 回归,例如多输出支持向量回归。你可以在这里找到一个实现。然后,您可以将结果与 MultiOutputRegressor
的输出进行比较,以检查是否有改进。