分类预测|Matlab实现CPO-SVM冠豪猪算法优化支持向量机多特征分类预测

分类预测 | Matlab实现CPO-SVM冠豪猪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CPO-SVM冠豪猪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CPO-SVM冠豪猪算法优化支持向量机多特征分类预测（Matlab完整源码和数据），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.CPO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。

程序设计 完整程序和数据私信博主回复**Matlab实现CPO-SVM冠豪猪算法优化支持向量机多特征分类预测**。 %% 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dim为2 。 % 定义优化参数的上下限，如c的范围是[0.01, 1]， g的范围是[2^-5, 2^5]，那么参数的下限lb=[0.01, 2^-5]；参数的上限ub=[1, 2^5]。 %目标函数 fun = @getObjValue; % 优化参数的个数 (c、g) dim = 2; % 优化参数的取值下限 lb = [10^-1, 1]; ub = [10^2, 2^8]; %% 参数设置 pop =6; %种群数量 maxgen=100;%最大迭代次数 %% 优化(这里主要调用函数) c = Best_pos(1, 1); g = Best_pos(1, 2); toc % 用优化得到c,g训练和测试 cmd = ['-s 0 -t 2 ', '-c ', num2str(c), ' -g ', num2str(g), ' -q']; model = libsvmtrain(T_train, P_train, cmd); ———————————————— 版权声明：本文为CSDN博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接： blog.csdn.net/kjm13182345320/article/details/134843675 参考资料

[1] blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502 [2] blog.csdn.net/kjm13182345320/article/details/128690229