支持向量機雖然有著理論上的優勢， 然而參數的選擇對預測精度的影響很大。
採用RBF回歸支援向量機建立時間序列預測模型時， 需要首先確定嵌入維數m值、不敏感參數ε值、懲罰因數C以及徑向基核的寬度參數σ這四個設計參數。 通常這幾個參數的選取都是通過反復的試驗， 人為地選擇出令人滿意的解， 這需要人的經驗做指導， 並且需要付出較高的時間代價。
最優分類超平面
1. 嵌入維數m
關係到能否重構非線性系統的相空間， 對預測精度有重要影響， 隱含著轉換後矩陣蘊涵的知識量。
2. 懲罰因數C
其取值範圍一般為1~1000000。 懲罰因數C用於控制模型複雜度和訓練誤差的折中， 以便使模型有較好的推廣能力。 懲罰因數C決定了對超出誤差ε的學習樣本的懲罰程度， 是支持向量機擬合程度和推廣能力的平衡參數。 如果C值取得太大， 對樣本資料中超出ε不敏感帶的懲罰就過大，
3. 不敏感參數ε
其取值範圍一般為0.0001~0.1。 不敏感損失函數的參數ε決定ε不敏感帶的寬度， 從而控制支持向量的個數和泛化能力。 不敏感參數ε表明了實際物件對逼近函數在樣本資料點上的誤差期望， 決定了支持向量機中支援向量的數目， ε選得過大， 則支援向量的數目過少， 模型較為簡單， 對樣本的擬合精度過低；反之則支援向量的數目過多，
4. RBF參數σ
其取值範圍一般為0.1~3.8。 徑向基核函數參數σ值， 主要影響樣本資料在高維特徵空間中分佈的複雜程度。 σ反映了訓練樣本資料的分佈或範圍特性， 它確定了局部鄰域的寬度， 較大的σ意味較低的方差。 只有σ選擇合適， 才能將原空間的非線性逼近問題映射到一個合理的高維特徵空間， 太小或太大都會使模型性能變差。
茫茫頭條中， 你我有緣相遇， 您的關注， 是對我最大的肯定。 關注一辰君， 獲取更多有趣有用的知識。