【摘要】：SVM是一种经典的故障模式分类的算法，其中惩罚参数C和RBF核函数中σ参数的选取对分类结果会产生很大影响。C过小，容易造成欠拟合，导致训练精度和预测精度过低。网格搜寻是目前常用的一种寻找最优参数的算法。针对SVM参数选择难的问题，本书提出了用MSFLA算法对SVM中的（C，σ）进行优化。该算法与SVM相结合，能够在指定的区域内高效快速地找到最优参数对（C，σ），即全局最优解。
SVM是一种经典的故障模式分类的算法，其中惩罚参数C和RBF核函数中σ参数的选取对分类结果会产生很大影响。C过小，容易造成欠拟合，导致训练精度和预测精度过低。C过大，容易造成过拟合，导致模型高度依赖训练数据，造成训练精度高预测精度低的结果。C过大或者过小，都会导致测试集的泛化能力差。σ越大，支持向量越多。σ越小，支持向量越少。事实上，C和σ是相互影响和依赖，只有当C和σ在一个合理的区间域，模式分类才会在训练精度、泛华性能和分类精度之间达到最佳平衡点。在实际应用过程中，C和σ的小幅变化都会导致分类结果产生很大的偏差。所谓“失之毫厘，谬以千里”。网格搜寻（Grid Search，简称GS）是目前常用的一种寻找最优参数的算法。对于SVM算法而言，网格搜寻能够在寻优区域内找到尽可能多的（C，σ）配对值进行交叉验证（Cross Validation，简称CV）。然后根据CV的结果找到分类精度最佳的参数对（C，σ）。在寻优区域足够大并且搜寻距离足够小的情况下，GS能够找到全局最优解。CV网格搜寻的不足之处也是显而易见的，那就是在搜寻大区域范围会产生搜寻效率低，耗费时间较长的问题。针对SVM参数选择难的问题，本书提出了用MSFLA算法对SVM中的（C，σ）进行优化。该算法与SVM相结合，能够在指定的区域内高效快速地找到最优参数对（C，σ），即全局最优解。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
