基于信息熵的支持向量回归机训练样本长度选择

支持向量回归机(supportvectorregression，SVR)是近年来发展起来的一种通用的机器学习方法。目前已被广泛应用于工业、经济等很多领域，取得了良好的效果。但对于大规模非平稳数据的训练学习，会因为规模较大和样本长度选择的问题，影响到预测结果的精度。为了有效缩减训练样本长度，选择出合适的训练样本，提出基于信息熵的训练样本长度选择方法。该方法利用信息熵对数据的平稳性进行度量，从而选择出最平稳的数据进行学习。该方法不但减少了数据长度、节省了学习时间，同时也提高了预测结果的精度。