【零基础学智能仿真-12】支持向量回归——小样本力学预测的精确建模

课程摘要本节面向高保真仿真成本高、训练样本有限的工程场景，介绍支持向量机及支持向量回归。以240组悬臂梁最大弯曲应力数据为例，讲解间隔带、支持向量、软间隔、线性核、多项式核与RBF核，并通过验证集选择\(C\)、\(\gamma\)和\(\varepsilon\)。课程重点演示特征标准化对SVR的决定性影响，完成独立测试、残差分析和新工况预测，建立小样本力学代理模型的规范流程。一、本节学习目标完成本节后，你将能够：理解支持向量机与支持向量回归的区别；理解支持向量和$\varepsilon$不敏感区间；掌握线性核、多项式核和RBF核；理解$C$、$\gamma$和$\varepsilon$的作用；使用StandardScaler正确处理多量纲力学参数；使用训练集、验证集和测试集选择并评价SVR模型；判断SVR是否适合当前力学仿真数据；认识小样本高评分背后的适用范围限制。