用python写一段遗传算法优化SVM惩罚参数c和核参数gamma,并输出识别正确率和混淆矩阵的代码
时间: 2024-02-28 07:56:02 浏览: 41
好的,以下是遗传算法优化SVM参数的Python代码:
```python
import numpy as np
from sklearn import svm, datasets
from sklearn.metrics import accuracy_score, confusion_matrix
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 定义适应度函数
def fitness(params):
c, gamma = params
clf = svm.SVC(C=c, gamma=gamma)
clf.fit(X, y)
y_pred = clf.predict(X)
return accuracy_score(y, y_pred)
# 遗传算法参数设置
pop_size = 50 # 种群大小
chrom_length = 2 # 染色体长度
pc = 0.8 # 交叉概率
pm = 0.1 # 变异概率
max_iter = 100 # 最大迭代次数
min_fit = 0.99 # 最小适应度值
# 初始化种群
pop = np.random.rand(pop_size, chrom_length) * 10
# 遗传算法迭代
for i in range(max_iter):
# 计算适应度值
fits = np.array([fitness(params) for params in pop])
# 选择
idx = np.argsort(-fits) # 适应度值从大到小排序
pop = pop[idx]
fits = fits[idx]
if fits[0] >= min_fit:
break
# 交叉
for j in range(int(pop_size/2)):
if np.random.rand() < pc:
k = np.random.randint(chrom_length)
temp = pop[j, k]
pop[j, k] = pop[j+pop_size//2, k]
pop[j+pop_size//2, k] = temp
# 变异
for j in range(pop_size):
if np.random.rand() < pm:
k = np.random.randint(chrom_length)
pop[j, k] += np.random.normal(0, 1)
if pop[j, k] < 0:
pop[j, k] = 0
elif pop[j, k] > 10:
pop[j, k] = 10
# 输出结果
best_params = pop[0]
c, gamma = best_params
clf = svm.SVC(C=c, gamma=gamma)
clf.fit(X, y)
y_pred = clf.predict(X)
print('最优参数:C={:.4f},gamma={:.4f}'.format(c, gamma))
print('识别正确率:{:.4f}'.format(accuracy_score(y, y_pred)))
print('混淆矩阵:\n', confusion_matrix(y, y_pred))
```
代码说明:
- 加载鸢尾花数据集作为示例数据;
- 定义适应度函数 `fitness`,其中 `params` 参数为一个二元组,表示 SVM 模型的惩罚参数和核参数;
- 初始化遗传算法参数,并生成随机初始种群;
- 进行遗传算法迭代,每次迭代包括选择、交叉和变异三个步骤;
- 输出最优参数、识别正确率和混淆矩阵。
注意事项:
- 本代码仅用于演示,实际应用中需要根据具体情况进行修改;
- 由于遗传算法的随机性,结果可能存在一定波动,建议多次运行取平均值。
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)