分类预测 | Matlab实现FA-FS-SVM萤火虫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FA-FS-SVM萤火虫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FA-FS-SVM萤火虫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FA-FS-SVM萤火虫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）
FA 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FA-FS-SVM萤火虫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