利用智能算法優化支持向量機參數

崔君榮，苑薇薇

(沈陽理工大學 自動化與電氣工程學院，遼寧 沈陽，110168)

利用智能算法優化支持向量機參數

崔君榮，苑薇薇*

(沈陽理工大學 自動化與電氣工程學院，遼寧 沈陽，110168)

為了提高算法在實際問題中的應用能力，基于MATLAB仿真實驗平臺，研究了網格搜索算法、遺傳算法和粒子群算法的參數優化方法，對支持向量機的懲罰因子和核函數參數進行優化處理，并利用標準的乳腺癌診斷數據集設計仿真實驗。結果表明，利用智能算法優化支持向量機參數得到的分類精度比傳統的根據經驗選擇參數的分類精度有了大幅度提高。

支持向量機；網格搜索算法；遺傳算法；粒子群算法；參數優化

隨著人工智能的發展，機器學習得到了越來越多的應用，機器學習主要研究計算機如何獲取、發現所需要的知識，模擬和學習人類的行為，校正自我行為并利用已有經驗優化自身性能。支持向量機(Support Vector Machine，SVM)是一種有監督的機器學習方法，在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢[1]。支持向量機可以應用于入侵檢測、故障診斷、模式識別、圖像處理、數據挖掘等領域，因此建立一個泛化能力強的支持向量機模型尤為重要。

然而，SVM參數選取的好壞直接決定著支持向量機模型的優劣，傳統支持向量機參數的選取一般是根據已有經驗在一個區間內隨機選取，容易引起過學習和欠學習問題，隨機選取的參數偶然性比較大，對測試集合的準確率有很大的影響。……