分类预测 | Matlab实现FA-SVM萤火虫算法优化支持向量机的多变量输入数据分类预测

分类效果

基本描述

1.Matlab实现FA-SVM萤火虫算法优化支持向量机的多变量输入数据分类预测（完整源码和数据) 优化支持向量机核函数参数c和g。
2.多特征输入单输出的二分类及多分类模型。运行环境matlab2018。
3.语言为matlab，含分类效果图，迭代优化图，混淆矩阵图。
4.直接替换数据即可使用，保证程序可正常运行。运行环境MATLAB2018及以上。
5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

程序设计

• 完整程序和数据获取方式（资源处直接下载）Matlab实现FA-SVM萤火虫算法优化支持向量机的多变量输入数据分类预测。

%%  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
v = 5;            %交叉验证折数
%% 优化(这里主要调用函数)
[Best_score,Best_pos,Convergence_curve]=OOA(pop,maxgen,lb,ub,dim,fun); 
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','v',v];
model = libsvmtrain(T_train, P_train, cmd);

参考资料

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