分类预测|MATLAB实现WOA-FS-SVM鲸鱼算法同步优化特征选择结合支持向量机分类预测

分类预测 | MATLAB实现WOA-FS-SVM鲸鱼算法同步优化特征选择结合支持向量机分类预测

目录 分类预测 | MATLAB实现WOA-FS-SVM鲸鱼算法同步优化特征选择结合支持向量机分类预测效果一览基本介绍程序设计参考资料

效果一览

基本介绍

MATLAB实现WOA-FS-SVM鲸鱼算法同步优化特征选择结合支持向量机分类预测（完整程序和数据） WOA鲸鱼算法同步优化特征选择结合支持向量机分类预测，优化前后对比，基于LIBSVM。

程序设计 完整程序和数据下载方式私信博主回复：MATLAB实现WOA-FS-SVM鲸鱼算法同步优化特征选择结合支持向量机分类预测 %% 参数设置 % 定义优化参数的个数，在该场景中，优化参数的个数为数据集特征总数 。 %目标函数 fobj = @(x) fun(x,train_wine_labels,train_wine,test_wine_labels,test_wine); % 优化参数的个数 特征维度 dim = size(train_wine,2); %特征维度 % 优化参数的取值下限，[0,1],大于0.5为选择该特征，小于0.5为不选择该特征 lb = 0; ub = 1; %% 参数设置 pop =10; %数量 Max_iteration=50;%最大迭代次数 %% 优化(这里主要调用函数) [Best_score,Best_pos,curve]=WOA(pop,Max_iteration,lb,ub,dim,fobj); figure plot(curve,'linewidth',1.5); xlabel('迭代次数'); ylabel('适应度值'); title('收敛曲线'); grid on; c = 2; g = 2; toc % 用优化得到的特征进行训练和测试 cmd = ['-s 0 -t 2 ', '-c ', num2str(c), ' -g ', num2str(g), ' -q']; model = libsvmtrain(train_wine_labels, train_wineNew, cmd); test_wineNew = test_wine(:,B); %% SVM网络预测 [predict_labelTrain, accuracyTrain,~] = libsvmpredict(train_wine_labels, train_wineNew, model); [predict_labelTest, accuracyTest,~] = libsvmpredict(test_wine_labels, test_wineNew, model); %% 基础SVM预测结果 % 用优化得到的特征进行训练和测试 cmd = ['-s 0 -t 2 ', '-c ', num2str(c), ' -g ', num2str(g), ' -q']; model = libsvmtrain(train_wine_labels, train_wine, cmd); %% SVM网络预测 [predict_labelTrain1, accuracyTrain1,~] = libsvmpredict(train_wine_labels, train_wine, model); [predict_labelTest1, accuracyTest1,~] = libsvmpredict(test_wine_labels, test_wine, model);%% 结果分析 参考资料

[1] blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502 [2] blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502