MATLAB通过网格搜索和交叉验证优化 SVR 的两个关键参数惩罚因子和核函数参数，以提高模型的预测精度

一、研究背景

支持向量机（SVM）是一种经典的机器学习方法，最初用于分类问题，后来被推广到回归问题，称为支持向量回归（SVR）。SVR具有较强的泛化能力和对小样本数据的适应性，广泛应用于工程预测、金融分析、环境科学等领域。

本代码通过网格搜索和交叉验证优化 SVR 的两个关键参数：惩罚因子 c和核函数参数 g，以提高模型的预测精度。

二、主要功能

该代码的主要功能包括：

1. 从 Excel 文件中读取数据集；
2. 数据预处理（归一化、划分训练集/测试集）；
3. 使用网格搜索与交叉验证优化 SVR 参数；
4. 构建 SVR 模型并进行训练；
5. 对训练集和测试集进行预测；
6. 反归一化恢复原始数据尺度；
7. 计算多种回归评价指标（RMSE、R²、MAE、MBE、MAPE）；
8. 可视化预测结果（曲线对比图、散点图）。

三、算法步骤

1. 数据导入与打乱：从 Excel 读取数据，随机打乱样本顺序。
2. 数据集划分：按