基于二进制PSO的特征选择与SVM参数同步优化提升算法性能

实验结果-sae j2534-2 2010主要探讨了使用二进制粒子群优化（Binary Particle Swarm Optimization, BPSO）算法与支持向量机（Support Vector Machine, SVM）相结合的PSO-SVM方法在多个UCI数据集上的性能评估。研究采用了包括Pima Indian糖尿病、Heart disease、Ionosphere、Sonar、Iris和Vehicle等数据集，这些数据集具有不同的类别数和特征数量，以评估算法的分类精度。 首先，实验环境是在一台配备Intel奔腾4 3.0G CPU和512MB内存的计算机上，使用Matlab编程实现PSO-SVM算法，以及未经过特征选择和参数优化的传统SVM（SVM）和GA-SVM（Genetic Algorithm-SVM）进行对比。评价方法采用了交叉验证，将数据集分为训练集和测试集，通过多次运行并取平均值来确定算法性能。 关键的评价指标是分类精度，对于二类数据集，通过正命中率、反命中率和总体命中率来衡量，而对于多类数据集则使用总体命中率。此外，实验还考虑了分类器的均衡性，选择rp×rn作为度量标准，因为它更注重分类器对各类别的分类一致性。 PSO-SVM算法的参数设置包括C值（Ct和Cz），粒子速度的初始范围，粒子数目随数据集维度调整，以及迭代次数和全局最佳适应值的停止条件。不同数据集采用的粒子数目在表2中有详细说明。 实验结果显示，PSO-SVM在大多数数据集上都表现出较高的分类精度，例如在Ionosphere数据集上达到了接近完美的分类，而在Sonar数据集上也取得了显著的提升。与GA-SVM算法相比，PSO-SVM不仅分类精度更高，而且在特征精简和运行效率上也有优势。这表明，将特征选择与SVM参数优化结合起来的方法能够有效提升分类器的性能。 总结来说，这项研究展示了二进制PSO算法在特征选择和SVM参数优化方面的有效性，提出了一种有效的方法来同步处理这两个问题，这对于提高分类器性能具有实际意义。通过与传统方法的对比，PSO-SVM算法显示出更好的性能，特别是在处理特征冗余和提高算法效率方面。