一种有效的支持向量机参数优化算法

支持向量机是一种基于统计学习理论的采用结构风险最小化原则的机器学习方法,它的参数决定其性能的高低,因此正确选择相关参数显得非常重要。文中将对支持向量机的惩罚参数及核参数进行优化。蝙蝠算法是一种新型群智能算法,它具有模型简单、全局搜索能力强等特点。文中提出基于Relief F和蝙蝠算法(BA)的支持向量机参数优化算法,对SVM的惩罚参数和核参数进行优化。首先,基于Relief F算法的基因初选,剔除与分类无关的噪声和冗余基因。其次,进行基于BA的SVM参数优化。通过两个公共微阵列数据集的Matlab仿真实验,结果表明,文中算法搜索到的SVM最优参数能大幅提高支持向量机的性能,且具有较好的稳定性,是一种有效的支持向量机参数优化算法。