杨智翔　李茂媛

摘 要：针对传统支持向量机模型对高维数据分类准确率低、计算量大的问题，本研究设计并实现了灰狼算法（GWO）与套索算法（LASSO）相结合的支持向量机模型，即GSL算法，并将其应用到高维数据诊断中。结果表明，利用GSL算法进行高维数据进行分类具有更高的准确率、更小的误差，能选择出性能更优的参数。

关键词：灰狼寻优算法;支持向量机;参数优化

中图分类号：TP18 文献标识码：A 文章编号：1003-5168（2021）29-0019-04

Application of Support Vector Machine Model Based on Gray

Wolf Algorithm and LASSO Algorithm in High-Dimensional Data Diagnosis

YANG Zhixiang LI Maoyuan

（School of Electronic & Information Engineering， Chongqing Three Gorges University，Chongqing 404020）

Abstract： Aiming at the problems of low accuracy and large amount of calculation of traditional support vector machine model for high-dimensional data classification， this study designs and implements a support vector machine model based on the combination of Gray Wolf algorithm （GWO） and lasso algorithm （LASSO）， that is， GSL algorithm， and applies it to high-dimensional data diagnosis. The results show that the proposed GSL algorithm has higher accuracy， less error and can select better parameters for high-dimensional data classification.

Keywords： support vector machines;grey wolf optimize;parameter optimization

圖像识别、自然语言处理等机器学习方法不断发展，对目前存在的特征降维算法及机器学习模型分类模型算法构成了严峻的挑战。目前，高维算法存在计算量大、信息冗余等问题。因此，迫切需要在处理高维数据集的同时拥有高效率及高准确率的算法模型。

高维数据集类型复杂，所以试验人员在对数据集进行预处理（如人工标记、筛选等）和对高维数据进行标记及筛选时，往往需要花费大量的时间及精力。在分类问题中，经常会出现特征向量的维度高于可获得的训练样本的现象。在多数情况下，只有一部分特征对分类是有意义的，其余数据集拿来训练反而会影响模型的分类训练效果，因此在使用分类器对高维数据进行分类前，往往需要先对数据集进行降维，然后使用分类器进行分类。除了分类问题外，其他模型也需要对高维数据进行降维，然后进一步进行数据分析处理。常见的特征降维方法包括变量重组和特征提取。

目前，关于特征降维的研究较多。……