基于改进SFLA算法对SVM算法超参数的优化

• 作者: 贺加贝 首都经济贸易大学管理工程学院
• 来源期刊: 科技与创新
• 学科: 工学
• 关键词: 混合蛙跳算法 支持向量机 超参数 智能算法
• 年，卷（期）: 2024,（6）
• 页码范围: 39-41
• 页数: 3页
• 语种: 中文
• DOI: 10.15913/j.cnki.kjycx.2024.06.010

摘要

机器学习算法具有强大的学习能力，其中超参数的选择很大程度上影响算法的性能。通过提出改进的混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）对支持向量机（Support Vector Machine,SVM）的超参数进行优化，以提高算法性能。针对混合蛙跳算法依赖于初始值、容易陷入局部最优、缺少参考指标的局限性，提出均匀分布初始值、“外来蛙”、增加评价指标的改进措施，对算法进行改进。利用改进的混合蛙跳算法对支持向量机的超参数进行寻优，得到最佳模型。通过公开数据集进行验证，与原始支持向量机模型、网格寻参-支持向量机模型、原始混合蛙跳算法寻参-支持向量机模型相比较，改进混合蛙跳算法寻参-支持向量机模型具有更高的准确率。