如何建立自己的超市网站,wordpress还能玩吗,回忆网站模板,惠州cms建站系统分类预测 | MATLAB实现SSA-FS-SVM麻雀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SSA-FS-SVM麻雀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SSA-FS-SVM麻雀算法同步优化特征选择结…分类预测 | MATLAB实现SSA-FS-SVM麻雀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SSA-FS-SVM麻雀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SSA-FS-SVM麻雀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 SSA麻雀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SSA-FS-SVM麻雀算法同步优化特征选择结合支持向量机分类预测
%% 麻雀参数设置
% 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_iteration50;%最大迭代次数
%% 优化(这里主要调用函数)
[Best_score,Best_pos,curve]SSA(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] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm1001.2014.3001.5502
