苍鹰优化算法NGO优化支持向量机SVM的c和g参数做多输入单输出的拟合预测建模。 程序内注释详细直接替换数据就可以使用。 程序语言为matlab。 程序直接运行可以出拟合预测图迭代优化图线性拟合预测图多个预测评价指标。 PS:以下效果图为测试数据的效果图主要目的是为了显示程序运行可以出的结果图具体预测效果以个人的具体数据为准。 2.由于每个人的数据都是独一无二的因此无法做到可以任何人的数据直接替换就可以得到自己满意的效果。最近在整机器学习调参的活发现苍鹰优化算法NGO和SVM这对组合有点意思。今天咱们就唠唠怎么用MATLAB实现NGO优化SVM的c和g参数直接上能跑通的代码顺便把拟合预测、参数优化过程可视化一条龙搞定。先看核心代码结构整个工程分三块数据准备、NGO优化、预测验证。最关键的优化部分用了个骚操作——把SVM的交叉验证误差作为适应度函数让苍鹰们自己找最优参数。%% 数据加载这里替换自己的数据 dataxlsread(数据集.xlsx); inputdata(:,1:end-1); % 前n列作为输入 outputdata(:,end); % 最后一列作为输出数据预处理这块建议归一化不然后面优化可能跑偏。注意输入输出要分开处理别让输出参与归一化运算防止信息泄露。参数优化主循环是重头戏看这段目标函数定义function fitness objfun(pop, input_train, output_train) % pop存储当前种群参数 [c, g] c pop(1); g pop(2); cmd [-s 3 -t 2 -c , num2str(c), -g , num2str(g), -p 0.01]; model svmtrain(output_train, input_train, cmd); % 训练模型 [~, mse, ~] svmpredict(output_train, input_train, model); % 交叉验证 fitness mse(2); % 取均方误差作为适应度值 end这里用libsvm的训练预测函数注意-s参数设为3对应回归任务。适应度值取验证集的MSE这样优化方向就是让模型在验证集表现更好。苍鹰优化算法NGO优化支持向量机SVM的c和g参数做多输入单输出的拟合预测建模。 程序内注释详细直接替换数据就可以使用。 程序语言为matlab。 程序直接运行可以出拟合预测图迭代优化图线性拟合预测图多个预测评价指标。 PS:以下效果图为测试数据的效果图主要目的是为了显示程序运行可以出的结果图具体预测效果以个人的具体数据为准。 2.由于每个人的数据都是独一无二的因此无法做到可以任何人的数据直接替换就可以得到自己满意的效果。主优化流程采用NGO的经典迭代结构for iter1:max_iter % 位置更新 new_pos update_position(pop, leader_pos, beta); % 边界处理 new_pos max(new_pos, lb); new_pos min(new_pos, ub); % 适应度计算 current_fit arrayfun((k) objfun(new_pos(k,:), input_train, output_train), 1:pop_size); % 更新领导者 [best_fit, idx] min(current_fit); if best_fit global_best_fit global_best_fit best_fit; global_best_pos new_pos(idx,:); end end参数更新时加了边界约束防止数值爆炸arrayfun这波向量化操作比for循环快不少尤其种群规模大的时候效果明显。结果可视化这块整了四个图参数优化收敛曲线看算法有没有好好干活拟合预测对比图实际值 vs 预测值线性回归图看预测值和真实值的相关性预测误差分布直方图检查有没有离群点评价指标直接上硬货MAE mean(abs(error)); RMSE sqrt(mean(error.^2)); R2 1 - (sum(error.^2)/sum((output_test - mean(output_test)).^2));这三个指标基本能判断模型靠不靠谱R²超过0.9可以加鸡腿0.8以下得检查数据或参数设置。几个容易踩的坑数据没打乱直接划分训练测试集导致时间序列泄漏NGO的搜索范围设太小错过最优参数组合SVM的epsilon参数没调整代码里固定了0.01迭代次数不够优化没收敛就停了实际使用时记得多跑几次优化观察结果稳定性。遇到预测曲线震荡可以尝试增大c值过拟合的话适当调小g值。代码里留了数据加载接口把自己数据整理成n行m列的矩阵最后列是输出就能直接替换。需要完整代码的老铁可以到GitHub搜NGO-SVM-Matlab或者直接留言邮箱。下期可能整点LSTM优化相关的活看大伙兴趣了。