Е-mail: shboboev@mail.ru В работе рассматривается задача восстановления регрессионной зависимости по методу опорных векторов с квадратичной функцией потерь. <...> Данный метод относится к классу ядерных методов. <...> Для настройки ряда внутренних параметров алгоритма LS–SVM обсуждается проблема получения тестовой выборки. <...> Приведены различные критерии селекции моделей, которые основываются на разбиении выборки на обучающую и тестовую части. <...> Проблема разбиения выборки на тестовую и обучающую части с использованием метода D-оптимального планирования эксперимента подробно рассмотрена для случая линейных параметрических регрессионных моделей. <...> Приводится последовательный алгоритм получения обучающей и тестовой частей выборки наблюдений применительно к методу LS–SVM. <...> Для проверки работоспособности предлагаемого метода разбиения выборки проведен вычислительный эксперимент. <...> В нем повышение точности решений по LS–SVM проводилось посредством подбора масштаба гауссовой ядерной функции. <...> Данный параметр ядерной функции подбирался по минимуму ошибки прогноза на тестовой части выборки. <...> Окончательно точность получаемых решений проверялась по среднеквадратичной ошибке. <...> Сравнивались два способа разбиения выборки на обучающую и тестовую: случайное разбиение и разбиение по методу D-оптимального планирования эксперимента. <...> Для выбора параметров алгоритма LS–SVM использовался также критерий перекрестной проверки. <...> По результатам проведенных вычислительных экспериментов делаются выводы о том, что эффективность использования случайной тестовой выборки нестабильна и во много определяется конкретным вариантом разбиения. <...> Ключевые слова: регрессия, метод LS–SVM, квадратичная функция потерь, тестовая выборка, обучающая выборка, оптимальное планирование эксперимента, D-оптимальный * Статья получена 30 августа 2016 г. http://journals.nstu.ru/vestnik Science Bulletin of the NSTU Vol. <...> . 81 план, критерий регулярности, критерий скользящего контроля, коэффициент <...>