SVM参数寻优及其在分类中的应用

【摘要】：支持向量机(Support Vector Machine,简称SVM)是在20世纪90年代中期,由Vapnik提出的一种基于统计学习理论的机器学习算法,目前已应用于很多领域中。在支持向量机应用中,核函数及其参数的选择对支持向量机的分类结果有很大的影响。因此,支持向量机的参数优化成为支持向量机研究中的一个备受关注的研究课题。早期,采用手动调整支持向量机的参数；近几年,多采用智能算法自动优化支持向量机的参数,常用的优化算法有遗传算法、粒子群算法和网格搜索算法等。 本文的主要工作如下： 首先,本文介绍了支持向量机的参数优化。分别利用遗传算法、粒子群算法和网格搜索算法来优化支持向量机的惩罚参数C和高斯核函数中的参数σ。 其次,本文介绍了支持向量机参数优化在分类中的应用。将三种方法优化后的支持向量机用于UCI数据集分类问题中。数值实验结果,可以体现出三种参数优化算法的优缺点。当数据集包含的样本数目比较小时,利用网格搜索算法优化支持向量机的参数比较理想。当数据集包含的样本数目较大时,可以选择遗传算法和粒子群算法优化支持向量机参数。遗传算法优化支持向量机参数虽然在运行时间上不如粒子群算法,但是在分类正确率上占优势。