摘要
逻辑回归常用于分类问题中,为了解决传统逻辑回归分类器参数调优问题以及在大数据样本下加快算法的计算速度.首先提出了一种改进的天牛群优化算法(IM-BSO)来优化逻辑回归的超参数,使模型能够自适应地调整参数来达到最优的分类性能.IM-BSO算法采用学习因子与惯性权重的自适应调整策略,每个天牛的惯性权重都不一样,随着适应度值变化而变化.此外,IM-BSO算法融入K-means聚类与拓扑机制,增加了天牛群的多样性.由于IM-BSO算法需要处理的数据量大,计算时间长,随后提出了一种新的分布式改进天牛群优化算法(DIB-SO),结合逻辑回归形成了一个新的分类模型:DIBSO-LR模型.最后,利用该模型对推特评论数据集在不同节点数的情感进行分类,比较加速比.实验结果表明,在一定范围内,数据量越大,随着节点数量的增加,加速效果越明显.证明了DIBSO算法在优化逻辑回归参数上的可行性,显著提高了IM-BSO算法的计算性能.
基金项目
国家自然科学基金(61772180)
湖北省大学生创新创业项目(S201910500048)
NETL
NSTL
维普
万方数据