目录
一、程序及算法内容介绍:
基本内容:
-
本代码基于Matlab平台编译,将DA(蜻蜓算法)与SVM(支持向量机)结合,进行多输入数据分类预测,数据自动归一化
-
输入训练的数据包含12个特征,1个响应值,即通过12个输入值预测1个输出值(多变量分类预测,个数可自行调整)
-
通过DA算法优化SVM网络的c参数和g参数,记录下最优的值
-
训练DA-SVM网络进行分类预测,并与单一SVM对比体现优势
-
迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况
-
自动输出多种多样的的误差评价指标,自动输出大量实验效果图片
亮点与优势:
-
注释详细,几乎每一关键行都有注释说明,适合小白起步学习
-
直接运行Main函数即可看到所有结果,使用便捷
-
编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码
-
所有数据均采用Excel格式输入,替换数据方便,适合懒人选手
-
出图详细、丰富、美观,可直观查看运行效果
-
附带详细的说明文档(下图),其内容包括:算法原理+使用方法说明
二、实际运行效果:
三、原理介绍:
SVM(支持向量机)的参数C和g(或称为gamma)对其性能有重要影响。
参数C:C是惩罚系数,它调节优化方向中两个指标(间隔大小和分类准确度)的偏好权重。C值越高,表明越不能容忍误差,可能导致过拟合。C值越小,可能导致欠拟合。C的过大或过小都可能导致泛化能力变差。
参数g(gamma):g(或gamma)是RBF(径向基函数)核函数的一个参数,它隐含地决定了数据映射到新的特征空间后的分布。gamma值越大,支持向量越少,可能会影响训练与预测的速度。gamma值越小,支持向量越多。
SVM的核心思想是将数据映射到高维特征空间,并在该空间中寻找一个最优超平面,以最大化不同类别样本点之间的分离程度。在实际应用中,通常使用高斯核函数,该核函数具有参数C和g。参数C控制对误分类样本的惩罚程度,而参数g控制高斯核函数的宽度。