基于风驱动算法优化的lssvm回归预测 - 附代码
摘要：为了提高最小二乘支持向量机（lssvm）的回归预测准确率，对lssvm中的惩罚参数和核惩罚参数利用风驱动算法进行优化。
1.数据集
数据信息如下：
data.mat 的中包含input数据和output数据
其中input数据维度为：2000*2
其中output数据维度为2000*1
所以RF模型的数据输入维度为2;输出维度为1。
2.lssvm模型
lssvm请自行参考相关机器学习书籍。
3.基于风驱动算法优化的LSSVM
风驱动算法的具体原理参考博客：https://blog.csdn.net/u011835903/article/details/108676626
风驱动算法的优化参数为惩罚参数和核惩罚参数。适应度函数为RF对训练集和测试集的均方误差（MSE），均方误差MSE越低越好。
f i n t e n e s s = M S E [ p r e d i c t ( t r a i n ) ] + M S E [ p r e d i c t ( t e s t ) ] finteness = MSE[predict(train)] + MSE[predict(test)] finteness=MSE[predict(train)]+MSE[predict(test)]
4.测试结果
数据划分信息如下： 训练集数量为1900组，测试集数量为100组
风驱动参数设置如下：
%% 利用风驱动算法选择回归预测分析最佳的lssSVM参数c&g
%% 风驱动参数设置
% 定义优化参数的个数，在该场景中，优化参数的个数dim为2 。
% 定义优化参数的上下限，如c的范围是[0.01, 1]， g的范围是[2^-5, 2^5]，那么参数的下限lb=[0.01, 2^-5]；参数的上限ub=[1, 2^5]。
%目标函数
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);
% 优化参数的个数 (c、g)
dim = 2;
% 优化参数的取值下限
lb = [0.01,0.01];
ub = [5,5];
% 参数设置
pop =20; %风驱动数量
Max_iteration=5;%最大迭代次数
wdo-LSSVM优化得到的最优参数为：
wdo-LSSVM优化得到的gama为：4.8808
wdo-LSSVM优化得到的sig2为：0.60377
wdo-LSSVM结果：
wdo-LSSVM训练集MSE:0.055929
wdo-LSSVM测试集MSE:0.026357
LSSVM结果：
LSSVM训练集MSE:0.16558
LSSVM测试集MSE:0.072999
从MSE结果来看，经过改进后的风驱动-LSSVM明显优于未改进前的结果。