摘要
机器学习算法具有强大的学习能力,其中超参数的选择很大程度上影响算法的性能.通过提出改进的混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)对支持向量机(Support Vector Machine,SVM)的超参数进行优化,以提高算法性能.针对混合蛙跳算法依赖于初始值、容易陷入局部最优、缺少参考指标的局限性,提出均匀分布初始值、"外来蛙"、增加评价指标的改进措施,对算法进行改进.利用改进的混合蛙跳算法对支持向量机的超参数进行寻优,得到最佳模型.通过公开数据集进行验证,与原始支持向量机模型、网格寻参-支持向量机模型、原始混合蛙跳算法寻参-支持向量机模型相比较,改进混合蛙跳算法寻参-支持向量机模型具有更高的准确率.
维普
万方数据