读完需要
速读仅需 2 分钟
请尊重原创劳动成果
转载请注明本文链接
及文章作者：机器学习之心
摘要：精度提升！特征选择+分类预测！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
1
基本介绍
1.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）精度提升！特征选择+分类预测！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
2.FA 算法即是模拟萤火虫的这种行为而提出的群体智能算法。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。
3.程序语言为matlab，运行环境matlab2020b及以上。
4.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。
购买后可加博主QQ1153460737咨询交流。注意：其他非官方渠道购买的盗版代码不含模型咨询交流服务，大家注意甄别，谢谢。
2
数据集
2.2
运行效果
完整代码链接：https://mbd.pub/o/bread/mbd-ZpuVmplu
也可扫描二维码：
3
%% 数据预处理% 数据预处理,将训练集和测试集归一化到[0,1]区间[mtrain,ntrain] = size(train_wine);[mtest,ntest] = size(test_wine);dataset = [train_wine;test_wine];% mapminmax为MATLAB自带的归一化函数[dataset_scale,ps] = mapminmax(dataset',0,1);dataset_scale = dataset_scale';train_wine = dataset_scale(1:mtrain,:);test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: );%% 智能算法优化SVM训练，若使用网络训练将这部分与下面优化部分删除即可。tic%% 萤火虫参数设置% 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]=FA(pop,Max_iteration,lb,ub,dim,fobj);figureplot(curve,'linewidth',1.5);xlabel('迭代次数');ylabel('适应度值');title('收敛曲线');grid on;
嗯，细心的你会发现：https://mbd.pub/o/slowtrain/work
博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析。
技术交流群：购买博主任意代码或分享博主博文到任意三方平台后即可添加博主QQ进群
