支持向量機特征選擇和參數(shù)聯(lián)合優(yōu)化算法
大小：0.91 MB 人氣： 2017-12-19 需要積分：1
標簽：向量機(20755)
針對支持向量機（ SVM）中特征選擇和參數(shù)優(yōu)化對分類精度有較大影響，提出了一種改進的基于粒子群優(yōu)化（ PSO）的SVM特征選擇和參數(shù)聯(lián)合優(yōu)化算法（GPSO-SVM），使算法在提高分類精度的同時選取盡可能少的特征數(shù)目。為了解決傳統(tǒng)粒子群算法在進行優(yōu)化時易出現(xiàn)陷入局部最優(yōu)和早熟的問題，該算法在PSO中引入遺傳算法（GA）中的交叉變異算子，使粒子在每次迭代更新后進行交叉變異操作來避免這一問題。該算法通過粒子之間的不相關性指數(shù)來決定粒子之間的交叉配對，由粒子適應度值的大小決定其變異概率的大小，由此產(chǎn)生新的粒子進入到群體中。這樣使得粒子跳出當前搜索到的局部最優(yōu)位置，提高了群體的多樣性，在全局范圍內(nèi)尋找更優(yōu)值。在不同數(shù)據(jù)集上進行實驗，與基于PSO和GA的特征選擇和SVM參數(shù)聯(lián)合優(yōu)化算法相比，CPSO-SVM的分類精度平均提高了2% - 3%，選擇的特征數(shù)目減少了3% - 15%。實驗結果表明，所提算法的特征選擇和參數(shù)優(yōu)化效果更好。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
支持向量機特征選擇和參數(shù)聯(lián)合優(yōu)化算法下載
相關電子資料下載
- 如何利用一些小技巧實現(xiàn)SVM的增量式訓練 321
- 深度解析機器學習各大模型原理 1144
- 基于計算機視覺與機器學習技術的跌倒風險預測 227
- 機器學習基礎知識全攻略 126
- 支持向量機的基本原理 支持向量機可以解決什么問題 1064
- 如何使用Python進行圖像識別的自動學習自動訓練？ 321
- 關于機器學習的17種常用算法 320
- 使用Python從零實現(xiàn)多分類SVM 337
- 常用的十大機器學習算法介紹 292
- 全面總結機器學習中的優(yōu)化算法 332