分类预测 | Matlab实现COA-SVM浣熊优化算法优化支持向量机多特征分类预测
目录
- 分类预测 | Matlab实现COA-SVM浣熊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
- 程序设计
- 参考资料
分类效果
基本描述
1.Matlab实现COA-SVM浣熊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.COA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.
注:程序和数据放在一个文件夹。
程序设计
- 完整程序和数据私信博主回复Matlab实现COA-SVM浣熊优化算法优化支持向量机多特征分类预测。