数学建模强心剂丨改进后混沌粒子群算法优化4种机器学习分类模型+交叉验证+新数据预测结果输出

本期资料，关注微信公众号【橙子数据军团】后台回复“强心剂””

摘要

今天给大家带来一套我熬夜通宵肝出来的代码
利用改进后的混沌粒子群优化算法（IPSO），去优化4种机器学习分类预测模型
分别是SVM支持向量机、DT决策树、KNN最邻近、BP神经网络，
可以实现多种可视化的模型性能对比，并提供多种分类误差指标
包含交叉验证，及结果的多种可视化展示
并可通过替换EXCEL表数据的形式完成模型构建和新数据的预测，
给大家的建模比赛和科研任务打上强心剂！！！！
:::

1.部分细节提示

① 交叉验证的必要性

• 交叉验证用于评估模型的预测性能，尤其是训练好的模型在新数据上的表现，可以在一定程度上减小过拟合。

• 还可以从有限的数据中获取尽可能多的有效信息。

• 一定注意调参不用测试集，测试集不参与模型训练，对训练集进行交叉验证，指导参数调整，尤其适合样本量较少时。

② PSO粒子群改进策略

• 为克服既往初始化中的盲目性，采用Sinusoidal混沌映射策略执行种群初始化

③ 优化的超参数详细解释等

• SVM支持向量机:采用高斯核函数，可优化超参数包括核尺度 (0.001~1000)和框约束 (0.001~1000)
• DT决策树：分裂准则采用：基尼多样性指数，可优化超参数为：最大分裂数(1~训练样本数-1)
• K最邻近（KNN）：距离度量：欧几里得距离，优化超参数：邻点个数：(1~训练样本数-1)
• BPNN神经网络：采用单隐含层，激活函数使用常用的ReLu激活函数，可优化超参数：隐含层数量(1_{50)、正则化强度(0.001}10)

④分类误差指标输出

• 宏平均(macro AVG)、微平均 (micro AVG)、查准率(precision)、灵敏性(sensitivity)、特异性(specificity)、准确率(accuracy)、F1分数(F-measure)、AUC值

⑤TIPS

• 注意修改代码注释，防查重
• 注意MATLAB版本尽量2021以后
• 注意标签使用数字替代，从1开始

2.代码视频讲解

【数学建模强心剂】改进后混沌粒子群算法优化4种机器学习分类模型+交叉验证+新数据预测结果输出

3.部分代码文件截图

4.部分结果可视化展示

5.资料获取

关注微信公众号【橙子数据军团】，并在后台回复“强心剂”