使用有参数c1、c2、w参数的粒子群算法对支持向量机的C，g参数进行优化。对一份拥有5个特征一个因变量的数据进行分类，根据均值将其分为高产与低产，绘制每一代最优适应度和平均适应度的折线图并给出训练精度和预测精度python代码

以下是使用有参数c1、c2、w参数的粒子群算法对支持向量机的C，g参数进行优化的Python代码：

import numpy as np
import pandas as pd
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from pyswarm import pso

# 读取数据
data = pd.read_csv('data.csv')

# 数据预处理
data['y'] = np.where(data['y'] > data['y'].mean(), 1, 0)
X = data.drop('y', axis=1)
y = data['y']

# 定义适应函数
def svm_fitness(params):
    C = params[0]
    g = params[1]
    clf = SVC(C=C, gamma=g, kernel='rbf')
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    clf.fit(X_train, y_train)
    train_acc = clf.score(X_train, y_train)
    test_acc = clf.score(X_test, y_test)
    return -test_acc

# 设置参数范围
lb = [1, 0.001]
ub = [100, 1]

# 运行粒子群算法
xopt, fopt = pso(svm_fitness, lb, ub, swarmsize=50, maxiter=100, debug=True)

# 输出最优参数
print('C =', xopt[0])
print('gamma =', xopt[1])

# 计算训练精度和预测精度
clf = SVC(C=xopt[0], gamma=xopt[1], kernel='rbf')
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
clf.fit(X_train, y_train)
train_acc = clf.score(X_train, y_train)
test_acc = clf.score(X_test, y_test)
print('训练精度：', train_acc)
print('预测精度：', test_acc)

其中，`data.csv` 包含了5个特征一个因变量的数据。在适应函数中，首先根据给定的参数训练一个SVM模型，并计算其测试集精度。由于粒子群算法的优化目标是最小化适应函数，因此这里需要将测试集精度的相反数作为适应函数的返回值。在粒子群算法中，`swarmsize` 表示粒子群大小，`maxiter` 表示最大迭代次数。最后，根据得到的最优参数重新训练一个SVM模型，并计算其训练精度和预测精度。

以下是绘制每一代最优适应度和平均适应度的折线图的Python代码：

import matplotlib.pyplot as plt
from pyswarm import pso

# 读取数据
data = pd.read_csv('data.csv')

# 数据预处理
data['y'] = np.where(data['y'] > data['y'].mean(), 1, 0)
X = data.drop('y', axis=1)
y = data['y']

# 定义适应函数
def svm_fitness(params):
    C = params[0]
    g = params[1]
    clf = SVC(C=C, gamma=g, kernel='rbf')
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    clf.fit(X_train, y_train)
    train_acc = clf.score(X_train, y_train)
    test_acc = clf.score(X_test, y_test)
    return -test_acc

# 设置参数范围
lb = [1, 0.001]
ub = [100, 1]

# 运行粒子群算法
xopt, fopt, swarms = pso(svm_fitness, lb, ub, swarmsize=50, maxiter=100, debug=True, full_output=True)

# 绘制每一代最优适应度和平均适应度的折线图
plt.plot(swarms.best_cost)
plt.plot(swarms.mean_cost)
plt.xlabel('Generation')
plt.ylabel('Fitness')
plt.title('PSO for SVM Parameter Tuning')
plt.legend(['Best Fitness', 'Mean Fitness'])
plt.show()

其中，`swarms.best_cost` 表示每一代的最优适应度，`swarms.mean_cost` 表示每一代的平均适应度。通过 `plt.plot()` 函数可以将它们绘制在同一张图中，从而观察粒子群算法的优化过程。