分类预测 | Matlab实现ABC-LSSVM人工蜂群算法优化最小二乘支持向量机数据分类预测

分类预测 | Matlab实现ABC-LSSVM人工蜂群算法优化最小二乘支持向量机数据分类预测

目录

• • 分类预测 | Matlab实现ABC-LSSVM人工蜂群算法优化最小二乘支持向量机数据分类预测
  • • 分类效果
    • 基本介绍
    • 程序设计
    • 参考资料

      分类效果

      

      

      

      

      

      基本介绍

      1.Matlab实现ABC-LSSVM人工蜂群算法优化最小二乘支持向量机数据分类预测（完整源码和数据）,优化参数为,优化RBF 核函数gam和sig，运行环境为Matlab2018及以上。

      2.多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换excel数据就可以用;

      3.程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

      4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

      程序设计

      • 完整程序和数据获取方式资源处直接下载Matlab实现ABC-LSSVM人工蜂群算法优化最小二乘支持向量机数据分类预测（完整源码和数据）。

        %%  清空环境变量
        warning off             % 关闭报警信息
        close all               % 关闭开启的图窗
        clear                   % 清空变量
        clc                     % 清空命令行
        %%  导入数据
        res = xlsread('数据集.xlsx');
        %% 划分训练集和测试集%
        P_train = res(1: 250, 1: 12)';
        T_train = res(1: 250, 13)';
        M = size(P_train, 2);
        P_test = res(251: end, 1: 12)';
        T_test = res(251: end, 13)';
        N = size(P_test, 2);
        %% 数据归一化
        [p_train, ps_input] = mapminmax(P_train,0,1);
        p_test = mapminmax('apply',P_test,ps_input);
        t_train = T_train;
        t_test  = T_test;
        %% LS参数设置
        type        = 'c';             % 模型类型 分类
        kernel_type = 'RBF_kernel';    % 线性核函数
        codefct     = 'code_OneVsOne'; % 一对一编码分类
        fun = @getObjValue;  % 目标函数
        dim = 2;             % 优化参数个数
        ub  = [300, 300];  % 优化参数目标上限
        lb  = [1, 1];   % 优化参数目标下限
        pop = 8;             % 数量
        Max_iteration = 20; % 最大迭代次数   
        c = Best_pos(1);  
        g = Best_pos(2);
        %% 编码
        [t_train,codebook,old_codebook] = code(t_train,codefct);
        %% 建立模型
        model = initlssvm(p_train,t_train,type,c,g,kernel_type,codefct); %SSA
        %% 训练模型
        model = trainlssvm(model);
        %% 测试模型
        t_sim1 = simlssvm(model,p_train);
        t_sim2 = simlssvm(model,p_test); 
        T_sim1 = T_sim1(index_1);
        T_sim2 = T_sim2(index_2);
        %% 性能评价
        error1 = sum((T_sim1' == T_train))/M * 100 ;
        error2 = sum((T_sim2' == T_test))/N * 100 ;
        %% 优化曲线
        figure
        plot(curve, 'linewidth',1.5);
        xlabel('The number of iterations')
        ylabel('Fitness')
        grid on;
        %%  绘图
        figure
        plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
        legend('真实值', '预测值')
        xlabel('预测样本')
        ylabel('预测结果')
        string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
        title(string)
        xlim([1, M])
        grid
        figure
        plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
        legend('真实值', '预测值')
        xlabel('预测样本')
        ylabel('预测结果')
        string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
        title(string)
        xlim([1, N])
        grid
        %%  混淆矩阵
        figure
        cm = confusionchart(T_train, T_sim1);
        cm.Title = 'Confusion Matrix for Train Data';
        cm.ColumnSummary = 'column-normalized';
        cm.RowSummary = 'row-normalized';
            
        figure
        cm = confusionchart(T_test, T_sim2);
        cm.Title = 'Confusion Matrix for Test Data';
        cm.ColumnSummary = 'column-normalized';
        cm.RowSummary = 'row-normalized';
        

        参考资料

        [1] http://t.csdn.cn/pCWSp

        [2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501

        [3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501