分类预测 | Matlab实现SCSO-SVM沙猫群优化算法优化支持向量机多特征分类预测

分类预测 | Matlab实现SCSO-SVM沙猫群优化算法优化支持向量机多特征分类预测

分类效果

基本描述

1.Matlab实现SCSO-SVM沙猫群优化算法优化支持向量机多特征分类预测，运行环境Matlab2018b及以上；
2.输入12个特征，输出分4类，可视化展示分类准确率，可在下载区获取数据和程序内容。
3.SCSO选择最佳的SVM参数c和g。
SVM模型有两个非常重要的参数C与gamma。其中 C是惩罚系数，即对误差的宽容度。c越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差 。gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。
4.excel数据集，main为主程序，其他为函数文件，无需运行。

程序设计

• 完整程序和数据私信博主回复Matlab实现SCSO-SVM沙猫群优化算法优化支持向量机多特征分类预测。

%%  参数设置
% 定义优化参数的个数，在该场景中，优化参数的个数dim为2 。
% 定义优化参数的上下限，如c的范围是[0.01, 1]， g的范围是[2^-5, 2^5]，那么参数的下限lb=[0.01, 2^-5]；参数的上限ub=[1, 2^5]。
%目标函数
fun = @getObjValue; 
% 优化参数的个数 (c、g)
dim = 2;
% 优化参数的取值下限
lb = [10^-1, 1];
ub = [10^2, 2^8];

%%  参数设置
pop =6; %种群数量
maxgen=100;%最大迭代次数
%% 优化(这里主要调用函数)
c = Best_pos(1, 1);  
g = Best_pos(1, 2); 
toc
% 用优化得到c,g训练和测试
cmd = ['-s 0 -t 2 ', '-c ', num2str(c), ' -g ', num2str(g), ' -q'];
model = libsvmtrain(T_train, P_train, cmd);
————————————————
版权声明：本文为CSDN博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/kjm13182345320/article/details/134843675

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229