优化算法优化支持向量机（SVM）进行分类

机器猫001

已于 2022-11-10 09:47:00 修改

阅读量4.2k

点赞数 8

分类专栏：优化算法文章标签：支持向量机算法

于 2022-08-03 15:33:27 首次发布

本文链接：https://blog.youkuaiyun.com/m0_61363749/article/details/126136601

版权

0、前言

采用优化算法优化SVM参数进行分类。包含GWO、WOA、AFSA、AO、BAT、GTO、HBA、MPA、POA、SSA、SMA、jSSA、HHO、EO、AOA、SO等优化算法对SVM的改进。

2、实现步骤

SVM 为典型的核方法，首先选定核函数，确定待优化的核参数；其次，限定待优化参数的范围，设置适应度函数，应用优化算法寻优得到最佳参数；最终采用最优参数的SVM模型实现分类。以AOA优化SVM为例，如下图所示：

%% 优化SVM 
kerneltype=2;%核函数选择
[xx,trace,process]=AOASVM(P_train,P_test,T_train,T_test,kerneltype);%采用AOA优化算法优化SVM核参数
save result/AOASVMpara xx trace process%保存参数  下次就可注释掉，不用优化浪费时间 直接加载
load result/AOASVMpara 
figure
plot(1-trace)
legend('寻优进化曲线')
xlabel('寻优代数')
ylabel('适应度值')

%% 采用优化的值重新训练svm
gam=xx(1)
sig2=xx(2)
cmd=['-s 0 -t ',num2str(kerneltype),' -c ',num2str(sig2),' -g ',num2str(gam)];
model=svmtrain(T_train,P_train,cmd); % SVM模型训练
%% SVM网络预测
y_pre_train=svmpredict(zeros(size(P_train,1),1),P_train,model); 
y_pre_test=svmpredict(zeros(size(P_test,