摘要
支持向量机的性能主要受到核函数的参数和惩罚因子的影响,其中,以高斯核函数作为支持向量机的核函数的应用最为广泛。论文在研究了惩罚参数C及高斯核函数参数σ对支持向量机分类性能影响的基础上,利用网格搜索法和遗传算法对基于RBF核的SVM进行了参数优化,并通过UCI数据集进行了验证。实验结果显示,遗传算法相较于网格搜索算法具有更快的搜索速度,在实际运用中更加高效。
The performance of SVM is mainly affected by the kernel function parameters and penalty parameter.SVM with RBF kernel function is the most widely applications.Using genetic algorithm to select optimum parameter,the paper mainly studies the performance of SVM with penalty parameter C and RBF kernel function parameterσ.Comparing grid search with genetic algorithm for optimum parameter to SVM based on RBF kernel function in experimental results,it is found that genetic algorithm has higher search speed in optimum parameter.Thus,genetic algorithm is more effective in practice.
出处
《计算机与数字工程》
2016年第4期575-577,595,共4页
Computer & Digital Engineering
基金
2014年五邑大学青年基金(编号:2014zk10)
2015五邑大学青年基金(编号:2015zk11)
2015年江门市科技计划项目(编号:201501003001556)资助
