支持向量機特征選擇和參數聯合優化算法
大?。?/span>0.91 MB 人氣：1 2017-12-19 需要積分：1
標簽：向量機(20755)
針對支持向量機（ SVM）中特征選擇和參數優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化（ PSO）的SVM特征選擇和參數聯合優化算法（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目。為了解決傳統粒子群算法在進行優化時易出現陷入局部最優和早熟的問題，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位置，提高了群體的多樣性，在全局范圍內尋找更優值。在不同數據集上進行實驗，與基于PSO和GA的特征選擇和SVM參數聯合優化算法相比，CPSO-SVM的分類精度平均提高了2% - 3%，選擇的特征數目減少了3% - 15%。實驗結果表明，所提算法的特征選擇和參數優化效果更好。
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聯合優化算法下載
相關電子資料下載
- 如何利用一些小技巧實現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化算法 332