用libsvm做时间序列预测，为什么训练数据越少越准确？

用于训练的数据越少，分类得到的胜率越高，当样本数据为1时最好。这肯定是不对的，会有哪些原因呢？望大牛们多多指教~
。。。。。。。。。。。.
之前描述的不对，我是用前五天的行情数据，预测下一天的涨跌。往前滚动20天，就得到了20个样本。现在是随着样本数目增多，预测准确率变低。样本太少训练出来的svm也没有说服力啊，就很困惑了。。

null122 · 2018-10-3 21:45:06

你如果预测的是个股的话
我建议你了解一下庄家操盘的过程

匿名用户 · 2018-10-3 21:45:05

提示: 作者被禁止或删除内容自动屏蔽

王若谷 · 2018-10-3 21:45:04

我觉得这是LIBSVM函数本身的性质原因吧，Libsvm在对于数据是稠密话的情况下会呈现出良好的分类预测效果，但是对于股价的预测本来数据就是稀疏的，加上你的数据量增加稀疏度增大，应该就变得不准了。

by wang · 2018-10-3 21:45:03

我在使用libsvm的epsilon-svr来预测大盘点数，采用的样本有交易量，交易额，几种不同的平均增长率等等，还有前日的一些信息。
用midaco做通过交叉验证参数优化。
目前为止吧，感觉并不能预测，选择全局较好的参数去训练，虽然验证可以得到99%以上相关度，但是实际上由于预测的是实际值，实际上在最近的样本上并不能展现很好的拟合。
如果放弃全局，只在最近的几十个交易日，可以得到很好的拟合，但是实际上，并不能实现预测，至少观察了几天，所以，显然过拟合了。
其实我感觉要是能预测的话应该早就有人做好了。我个人认为每日的涨跌只是高频的噪声，具有很大随机性，所以预测只能预测趋势性的东西。
我准备再试试SVC，或者抽离一些特性试试。
不过个人认为用svm来生成一些指标，应该比直接的预测更有效。

殷然 · 2018-10-3 21:45:02

哥哥们都没做过机器学习啊我来终结这个问题这个问题明显不是模型阶数的问题而是时间序列的平稳性造成的简单来说就是数据原本的生成模型是时变的，造成使用的训练数据变长后实际学到的是各个时间上模型的平均，而你的测试数据是最近的数据，所以肯定是训练数据越短越效果越好

龟心似贱 · 2018-10-3 21:45:01

既然是监督学习，那你的监督结果是什么？就是在单样本训练的时候，什么对照结果？

丁闯 · 2018-10-3 21:45:00

和实际应用有关，最好在自己的数据上调参试试

Xi Yang · 2018-10-3 21:44:58

这完全取决于你生成分割平面的方法。
传统概念的SVM非常傻，只适用于组间分离性非常好的数据集。你加的数据一多，组和组之间出现混杂的情况，SVM就会抽掉。
我现在比较喜欢最弱智的最近距离法。

用libsvm做时间序列预测，为什么训练数据越少越准确？

8 个回复