本文介绍了使用飞蛾扑火（Moth-Flame Optimization, MFO）算法优化的最小二乘支持向量机（LSSVM）在回归预测中的应用。LSSVM通过线性方程组简化了SVM的求解过程，但可能失去稀疏性，MFO算法则用于改善这一问题。MFO算法模拟飞蛾的螺旋搜索路径以寻找全局最优解，提高了LSSVM的预测性能。文章提供了MATLAB源码并展示了运行结果。"
46431479,5039305,Java实现Singleton模式解析,"['java基础', '设计模式', '单例']
⛄一、运行结果
⛄二、简介
LSSVM的特性
1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；
2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；
3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；
4) 使用了贝叶斯推断（Bayesian inference）；
5) 可以拓展
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
