【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码

最新推荐文章于 2024-05-16 10:13:19 发布

天天Matlab代码科研顾问

最新推荐文章于 2024-05-16 10:13:19 发布

阅读量10

点赞数

文章标签：算法支持向量机 matlab 机器学习人工智能

本文链接：https://blog.csdn.net/m0_57702748/article/details/140028801

版权

1 简介

提出一种基于松鼠算法(SSA)和支持向量机(SVM)的股价预测方法.针对SVM预测模型参数难以确定的问题,采用SSA算法对SVM中惩罚因子及核函数参数进行优化,构建SSA-SVM股价预测模型。

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_lua

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_预测模型_02

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_d3_03

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_预测模型_04

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_lua_05

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_预测模型_06

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_预测模型_07

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_预测模型_08

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_d3_09

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_lua_10

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_lua_11

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_d3_12

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_d3_13

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码_lua_14

2 部分代码


          
          
           
           clc;clear all;close all;
           
           
[f p]=uigetfile('*');
           
           
X=importdata([p f]);
           
           
data=X.data;
           
           
data2=data(:,1:end-1);class=data(:,end);
           
           
data1=knnimpute(data2);
           
           
%%%%%%%%Feature selection 
           
           
FSL=0;FSU=1;
           
           
D=size(data1,2);
           
           
for i=1:10
           
           
FS(i,:)=FSL+randi([0 1],[1 D])*(FSU-FSL);
           
           
try
           
           
fit(i)=fitness(data1,class,FS(i,:));
           
           
catch
           
           
    fit(i)=1;
           
           
    continue;
           
           
end
           
           
end
           
           
ind=find(fit==min(fit));
           
           
FSnew=FS(ind,:);
           
           
pdp=0.1;
           
           
row=1.204;V=5.25;S=0.0154;cd=0.6;CL=0.7;hg=1;sf=18;
           
           
Gc=1.9;
           
           
D1=1/(2*row*V.^2*S*cd);L=1/(2*row*V.^2*S*CL);
           
           
tanpi=D1/L;dg=hg/(tanpi*sf);aa=randi([1 length(ind)]);
           
           
iter=1;maxiter=2;
           
           
while(iter<maxiter)
           
           
for i=1:10
           
           
if(rand>=pdp)
           
           
    FS(i,:)=round(FS(i,:)+(dg*Gc*abs(FSnew(1,:)-FS(i,:))));
           
           
else
           
           
   FS(i,:)=FSL+randi([0 1],[1 D])*(FSU-FSL);
           
           
end
           
           
Fh=FS;
           
           
fit1(i)=fitness(data1,class,FS(i,:));
           
           
ind1=find(fit1==min(fit1));
           
           
FSnew1=FS(ind1,:);
           
           
if(rand>pdp)
           
           
    FS(i,:)=round(FS(i,:)+(dg*Gc*abs(FSnew(aa,:)-FS(i,:))));
           
           
else
           
           
   FS(i,:)=FSL+randi([0 1],[1 D])*(FSU-FSL);
           
           
end
           
           
Fa=FS;
           
           
fit2(i)=fitness(data1,class,FS(i,:));
           
           
ind2=find(fit2==min(fit2));
           
           
FSnew2=FS(ind2,:);
           
           
end
           
           
Sc=sqrt(sum(abs(Fh-Fa)).^2);
           
           
Smin=(10*exp(-6))/(365).^(iter/(maxiter/2.5));
           
           
if(Sc<Smin)
           
           
    season=summer;
           
           
    for i=1:10
           
           
        FS(i,:)=FSL+levy(1,D,1.5)*(FSU-FSL);
           
           
    end
           
           
else
           
           
    season=winter;
           
           
    break;
           
           
end
           
           
%%%Searching method
           
           
fit3(i)=fitness(data1,class,FS(i,:));
           
           
ind3=find(fit3==min(fit3));
           
           
final=abs(round([Fh(ind1,:);Fa(ind2,:);FS(ind3,:)]));
           
           
for i=1:size(final,1)
           
           
    fitt(i)=fitness(data1,class,final(i,:));
           
           
end
           
           
best(iter)=min(fitt);
           
           
[ff inn]=min(fitt);
           
           
bestfeat(iter,:)=final(inn,:);pdp=best(iter);
           
           
iter=iter+1;
           
           
end
           
           
sel=find(bestfeat(end,:));
           
           
disp('Selected Features');disp(sel)
           
           
dataA =data2(:,sel);  % some test data
           
           
p = .7 ;     % proportion of rows to select for training
           
           
N = size(dataA,1);  % total number of rows 
           
           
tf = false(N,1);   % create logical index vector
           
           
tf(1:round(p*N)) = true;   
           
           
tf = tf(randperm(N));   % randomise order
           
           
dataTraining = dataA(tf,:);labeltraining=class(tf);
           
           
dataTesting = dataA(~tf,:);labeltesting=class(~tf);
           
           
disp('Training feature size');disp(length(dataTraining))
           
           
disp('Testing feature size');disp(length(dataTesting))
           
           
svt=svmtrain(dataTraining,labeltraining);
           
           
out1=svmclassify(svt,dataTesting);
           
           
mdl=fitcknn(dataTraining,labeltraining);
           
           
out2=predict(mdl,dataTesting);
           
           
%%%%%%%  NB %%%%%%%%
           
           
mdl=fitcensemble(dataTraining,labeltraining);
           
           
out3=predict(mdl,dataTesting);
           
           
tp=length(find(out3==labeltesting));
           
           
msgbox([{['Out of ',num2str(length(out3))]},{[num2str(tp),'are correctly classified']}])
           
           
delete(gcp('nocreate'))
           
           
disp('%%%%%%%%  KNN %%%%%%%%%%%%%%')
           
           
[EVAL CF] = Evaluate(out2,labeltesting);
           
           
disp('Accuracy (%)');disp(EVAL(1)*100);
           
           
disp('Precision (%)');disp(EVAL(4)*100);
           
           
disp('Recall (%)');disp(EVAL(5)*100);
           
           
disp('Fmeasure (%)');disp(EVAL(6)*100);
           
           
disp('True Positive');disp(CF(1))
           
           
disp('True Negative');disp(CF(2))
           
           
disp('False Positive');disp(CF(3))
           
           
disp('False Negative');disp(CF(4))
           
           
disp('%%%%%%%%  SVM %%%%%%%%%%%%%%')
           
           
[EVAL3 CF] = Evaluate(out1,labeltesting);
           
           
disp('Accuracy (%)');disp(EVAL3(1)*100);
           
           
disp('Precision (%)');disp(EVAL3(4)*100);
           
           
disp('Recall (%)');disp(EVAL3(5)*100);
           
           
disp('Fmeasure (%)');disp(EVAL3(6)*100);
           
           
disp('True Positive');disp(CF(1))
           
           
disp('True Negative');disp(CF(2))
           
           
disp('False Positive');disp(CF(3))
           
           
disp('False Negative');disp(CF(4))
           
           
disp('%%%%%%  NB %%%%%%%%%%%%%%')
           
           
[EVAL2 CF] = Evaluate(out3,labeltesting);
           
           
disp('Accuracy (%)');disp(EVAL2(1)*100);
           
           
disp('Precision (%)');disp(EVAL2(4)*100);
           
           
disp('Recall (%)');disp(EVAL2(5)*100);
           
           
disp('Fmeasure (%)');disp(EVAL2(6)*100);
           
           
disp('True Positive');disp(CF(1))
           
           
disp('True Negative');disp(CF(2))
           
           
disp('False Positive');disp(CF(3))
           
           
disp('False Negative');disp(CF(4))