曹　路　欧阳效源

(1.五邑大学信息工程学院　江门　529020)(2.中山大学信息科学与技术学院　广州　510006)



基于遗传算法的支持向量机的参数优化*

曹路1,2欧阳效源2

(1.五邑大学信息工程学院江门529020)(2.中山大学信息科学与技术学院广州510006)

摘要支持向量机的性能主要受到核函数的参数和惩罚因子的影响,其中,以高斯核函数作为支持向量机的核函数的应用最为广泛。论文在研究了惩罚参数C及高斯核函数参数σ对支持向量机分类性能影响的基础上,利用网格搜索法和遗传算法对基于RBF核的SVM进行了参数优化,并通过UCI数据集进行了验证。实验结果显示,遗传算法相较于网格搜索算法具有更快的搜索速度,在实际运用中更加高效。

关键词支持向量机; 核函数; 参数; 遗传算法

Class NumberTP273

1　引言

传统的统计研究方法都是建立在大数定理基础上的渐近理论,要求学习样本数足够多。然而在实际应用中,这一前提往往得不到保证。20世纪60年代V.Vapnik等提出的支持向量机(Support Vector Machine,SVM)是以统计学习理论为基础的机器学习方法,它通过寻求结构化风险最小来提高学习的泛化能力,即使在小样本的情况下,也能获得良好性能;同时,SVM克服了传统分类器过学习、局部极值和维数灾难等缺点,在理论和实际应用中表现出很多优越的性能[1]。

SVM是一种基于核函数的学习方法,通过引入核函数,SVM将低维空间不可分的数据映射到高维空间。但核函数的选取并没有公认统一的方法。常用的核函数有线性核函数,多项式核函数,高斯核函数和多项式核函数,其中以高斯核应用最为广泛[2]。……