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

实验结果分析-sae j2534-2 2010 本研究主要关注的是利用二进制粒子群优化（Binary Particle Swarm Optimization, BPSO）算法在特征选择和支持向量机（Support Vector Machine, SVM）参数优化方面的应用。在实验中，作者对比了PSO-SVM方法与传统的SVM方法以及基于遗传算法(Genetic Algorithm, GA)-SVM方法的性能。 首先，从分类精度来看，PSO-SVM方法显著提升了SVM的性能。在Heart二类数据集中，PSO-SVM方法的正、负命中率分别提高了约17.71%和14.88%，总体命中率提高了16.13%。对于多类数据集Vehicle，PSO-SVM的平均命中率提升了21.25%，这表明了特征选择和参数优化对SVM分类器效果的显著提升。 其次，PSO-SVM在特征选择上表现出优势。实验结果显示，相比于GA-SVM，PSO-SVM通常选择的特征数量更少，如在Ionosphere和Sonar数据集上，PSO-SVM的特征数目平均值分别只有3.9和5.8，而GA-SVM的平均值分别为6.0和15.0，这表明PSO-SVM在减少冗余特征的同时保持了相当的分类精度，显示出了更好的特征选择效果。 在算法运行效率方面，PSO-SVM由于避免了单独的特征选择和参数优化过程，训练阶段速度较快。然而，尽管SVM在训练初期更快，但由于缺少特征选择，导致在使用阶段分类精度下降，且特征过多会拖慢运行速度。相比之下，PSO-SVM的粒子数目选择更加灵活，根据数据集规模动态调整，从而提高了整体效率。 PSO-SVM算法在分类精度、特征选择能力和运行效率方面均优于SVM和GA-SVM，特别是在特征精简和运行效率上显示出显著优势。通过与GA-SVM的对比，PSO-SVM方法不仅能够找到更有效的特征子集，还简化了流程，减少了计算复杂性，对于实际应用中的模式识别和分类任务具有重要的实践价值。这些研究成果为特征选择与SVM参数优化的集成提供了新的解决方案。