基于特征空间理论的几种SVM参数选取结果的中期报告.docxVIP

基于特征空间理论的几种SVM参数选取结果的中期报告

概述：

在SVM模型中有很多参数需要调整，其中最主要的是惩罚参数与核函数参数。在本篇报告中，我选取了基于特征空间理论的几种方法：交叉验证法、网格搜索法、遗传算法和粒子群优化算法。本篇报告主要介绍了已完成的实验和结果。

实验设置：

数据集：使用UCI上的Wine数据集，该数据集共有13个特征和三个类别。

数据预处理：使用MinMaxScaler对所有特征进行缩放。

模型选择：使用sklearn库中的SVC模型。

交叉验证法：

在交叉验证法中，我们使用五折交叉验证，在搜索空间中随机选取100组参数组合。选取的参数包括惩罚参数C和高斯核函数的gamma。最终的结果中选取的惩罚参数为0.13，gamma参数为0.05。

网格搜索法：

在网格搜索法中，我们使用了三个惩罚参数以及三个gamma参数，组成共九种组合。对于每一种组合，使用五折交叉验证来计算模型在测试集上的得分，并选择最优的组合。最终的结果中选取的惩罚参数为0.1，gamma参数为0.1。

遗传算法：

在遗传算法中，我们使用了200个个体，并设置了5个限制条件。其中，质疑度阈值和区分度阈值分别设置为0.1和0.9。另外，对于每一个个体，我们分别随机生成一个惩罚参数和一个gamma参数，并使用五折交叉验证来计算每一个个体的适应度。最终的结果中选取的惩罚参数为0.099，gamma参数为0.14。

粒子群优化算法：

在粒子群优化算法中，我们使用了50个粒子，并设置了两个限制条件。其中，每个粒子代表一个惩罚参数和一个gamma参数。对于每一个粒子，我们随机生成一个惩罚参数和一个gamma参数，并使用五折交叉验证来计算每一个粒子的适应度。最终的结果中选取的惩罚参数为0.9，gamma参数为0.16。

结论：

在使用基于特征空间理论的几种SVM参数选取方法时，我们发现其实验结果的可靠性和稳定性还需要进一步验证和改进。不过，我们的实验结果可以提供一些参考，在后续的工作中可以通过进一步探索和搭配多种方法，不断优化我们的代码和模型。