改进沙猫群算法(ISCSO)优化核极限学习机(KELM)实现分类预测 五折交叉验证防止过拟合！

        声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

改进点1：混沌映射初始化

改进点2：引入互利共生策略

改进点3：引入莱维飞行策略

数据格式

结果展示

部分代码展示

参考文献

完整代码获取

---

以往大家在用KELM模型做预测的时候，常常会遇到过拟合的现象，也就是训练集精度特别高，但测试集精度很高。

因此，今天给大家带来一期利用改进沙猫群算法ISCSO优化KELM实现分类预测的代码！最关键的是，其中包含了五折交叉验证（也可以改成其他折数），能够有效避免模型过拟合，真正评估出数据的真实精度，适合作为创新点，直接替换Excel即可用！

沙猫群优化算法在计算过程中也存在着探索和开发之间的矛盾。为了使沙猫种群在搜索空间均匀分布，ISCSO算法引入了混沌映射来提高种群初始化的分布多样性，引入互利共生策略和莱维飞行策略，加强个体与最优个体之间的信息交流，扩大开采的周密性，提高算法的寻优精度和速度！

首先介绍ISCSO算法，原始沙猫群优化算法的原理这里不再过多介绍，知网上有很多，这里主要介绍改进沙猫群算法的三个改进点！

改进点1：混沌映射初始化

混沌映射具有良好的随机性、规律性和遍历性，不但能使得种群具有良好的多样性，也能使得算法在全局搜索能力、收敛速度、收敛精度上都有所提高。改进公式如下：

​

式中，a一般取0.4;Posid表示第i只沙猫的第d维的位置;ub和lb表示种群的搜索范围;Cid表示由式(7)产生的混沌序列。

改进点2：引入互利共生策略

沙猫群优化算法在攻击猎物时，会通过轮盘赌法随机选择角度来靠近猎物进行攻击。但这样的攻击方式随机性较大，也易于陷入局部最优，互利共生策略通过加强个体与最优个体的信息交流，可以消除沙猫攻击猎物时的消极影响，提高沙猫的寻优精度和收敛速度。改进公式如下：

​

式中，Posnew为更新后的位置；Posbc为最优个体的位置；Posrnd为随机个体的位置；bf表示利益因子，随机选择1或2，表示可能部分受益或全部受益;RMV表示最优个体与随机个体的信息交流。

改进点3：引入莱维飞行策略

沙猫群优化算法在搜索猎物和攻击猎物时，都是通过随机角度进行的，导致算法会遗漏部分较优的解，降低收敛精度。为了增强搜索的周密性，消除局部最优解的消极影响，本算法引入莱维飞行策略，既加强了算法的局部搜索能力，又能保证算法在全局搜索时具有良好的周密性。改进公式如下：

​

式中，Posnew为更新后的个体位置;Posbc表示最优个体的位置;PosLevy表示莱维飞行位置;l是(0，1)的随机数;Posrnd表示随机个体的位置;μ是服从μ～N(0，σ2μ)的随机数，其中Γ为伽马函数，β为(0，2)的随机数。

数据格式

作者这里采用了传统的机器学习分类数据集，没有实际含义，12个特征，357个样本，四分类，如下图所示。

如果大家想要做故障诊断等应用，都是完全没有问题的！

​

如果想要更换自己的数据，只需最后一列放类别（类别从1开始），其余列放特征即可，无需更改代码，非常方便！

结果展示

预测结果图：

​

​

混淆矩阵图：

​

​

迭代曲线图：

​

可以看到，训练集与测试集预测效果非常接近，证明其有效防止了过拟合的发生！

部分代码展示

%%  读取数据
res = xlsread('数据集.xlsx');
​
%%  分析数据
num_class = length(unique(res(:, end)));  % 类别数（Excel最后一列放类别）
num_res = size(res, 1);                   % 样本数（每一行，是一个样本）
num_size = 0.7;                           % 训练集占数据集的比例
res = res(randperm(num_res), :);          % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1;                        % 标志位为1，打开混淆矩阵（要求2018版本及以上）
​
%%  设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];
​
%%  划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 循环取出不同类别的样本
    mid_size = size(mid_res, 1);                    % 得到不同类别样本个数
    mid_tiran = round(num_size * mid_size);         % 得到该类别的训练样本个数
​
    P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)];       % 训练集输入
    T_train = [T_train; mid_res(1: mid_tiran, end)];              % 训练集输出
​
    P_test  = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)];  % 测试集输入
    T_test  = [T_test; mid_res(mid_tiran + 1: end, end)];         % 测试集输出
end
​
%%  数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
​
%%  得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);
​
%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input );
t_train = ind2vec(T_train);
t_test  = ind2vec(T_test );
​
%%  参数设置
pop = 10;                     %  种群数量
Max_time = 50;                %  设定最大迭代次数
Kernel_type = 'rbf';          %  核函数
dim = 2;                      %  维度为2，即优化两个参数，正则化系数 C 和核函数参数 S
lb = [1, 1];                  %  下边界
ub = [100, 100];              %  上边界
fobj = @(x) fun(x, p_train, T_train);
[Best_score, Best_pos, Curve] = ISCSO(pop, Max_time, lb, ub, dim, fobj); %开始优化

参考文献

[1]贾鹤鸣,李永超,游进华,等.改进沙猫群优化算法的机器人路径规划[J].福建工程学院学报,2023,21(01):72-77.

完整代码获取

点击下方小卡片，再后台回复关键词：

FLYCA

其他更多需求或想要的代码均可点击下方小卡片，再后台私信，看到后会秒回~

更多代码链接：更多代码链接