电子商务类网站,咖啡建设网站的目的,天津网约车驾驶员申请系统,东莞东城分类预测 | Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据分类预测 目录 分类预测 | Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据分类预测分类效果基本介绍程序设计参考资料 分类效果 基本介绍 1.Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据…分类预测 | Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据分类预测 目录 分类预测 | Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据分类预测分类效果基本介绍程序设计参考资料 分类效果 基本介绍 1.Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据分类预测完整源码和数据,优化参数为,优化RBF 核函数gam和sig运行环境为Matlab2018及以上。 2.多特征输入单输出的二分类及多分类模型。程序内注释详细直接替换excel数据就可以用; 3.程序语言为matlab程序可出分类效果图迭代优化图混淆矩阵图。 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。 程序设计
完整程序和数据获取方式资源处直接下载Matlab实现GWO-LSSVM灰狼算法优化最小二乘支持向量机数据分类预测完整源码和数据。
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行%% 导入数据
res xlsread(数据集.xlsx);
%% 划分训练集和测试集%
P_train res(1: 250, 1: 12);
T_train res(1: 250, 13);
M size(P_train, 2);P_test res(251: end, 1: 12);
T_test res(251: end, 13);
N size(P_test, 2);
%% 数据归一化
[p_train, ps_input] mapminmax(P_train,0,1);
p_test mapminmax(apply,P_test,ps_input);
t_train T_train;
t_test T_test;%% LS参数设置
type c; % 模型类型 分类
kernel_type RBF_kernel; % 线性核函数
codefct code_OneVsOne; % 一对一编码分类
fun getObjValue; % 目标函数
dim 2; % 优化参数个数
ub [300, 300]; % 优化参数目标上限
lb [1, 1]; % 优化参数目标下限pop 8; % 数量
Max_iteration 20; % 最大迭代次数 c Best_pos(1);
g Best_pos(2);%% 编码
[t_train,codebook,old_codebook] code(t_train,codefct);%% 建立模型
model initlssvm(p_train,t_train,type,c,g,kernel_type,codefct); %SSA%% 训练模型
model trainlssvm(model);%% 测试模型
t_sim1 simlssvm(model,p_train);
t_sim2 simlssvm(model,p_test); T_sim1 T_sim1(index_1);
T_sim2 T_sim2(index_2);
%% 性能评价
error1 sum((T_sim1 T_train))/M * 100 ;
error2 sum((T_sim2 T_test))/N * 100 ;%% 优化曲线
figure
plot(curve, linewidth,1.5);
title(GWO-LSSVM)
xlabel(The number of iterations)
ylabel(Fitness)
grid on;
%% 绘图
figure
plot(1: M, T_train, r-*, 1: M, T_sim1, b-o, LineWidth, 1)
legend(真实值, GWO-LSSVM预测值)
xlabel(预测样本)
ylabel(预测结果)
string {训练集预测结果对比; [准确率 num2str(error1) %]};
title(string)
xlim([1, M])
gridfigure
plot(1: N, T_test, r-*, 1: N, T_sim2, b-o, LineWidth, 1)
legend(真实值, GWO-LSSVM预测值)
xlabel(预测样本)
ylabel(预测结果)
string {测试集预测结果对比; [准确率 num2str(error2) %]};
title(string)
xlim([1, N])
grid%% 混淆矩阵
figure
cm confusionchart(T_train, T_sim1);
cm.Title Confusion Matrix for Train Data;
cm.ColumnSummary column-normalized;
cm.RowSummary row-normalized;figure
cm confusionchart(T_test, T_sim2);
cm.Title Confusion Matrix for Test Data;
cm.ColumnSummary column-normalized;
cm.RowSummary row-normalized;
参考资料 [1] http://t.csdn.cn/pCWSp [2] https://download.csdn.net/download/kjm13182345320/87568090?spm1001.2014.3001.5501 [3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm1001.2014.3001.5501
