基于随机森林和量子粒子群优化的SVM算法
来源：计算机集成制造系统杂志2023年第9期北京时间：
作者：崔兆亿, 耿秀丽
单位：上海理工大学管理学院
摘要：特征属性过多及内部参数的优选是影响支持向量机(SVM)模型泛化能力的重要因素,针对以上两个问题,为了提高SVM模型的泛化能力和分类精度,将随机森林(RF)算法和量子粒子群优化(QPSO)算法结合优化SVM模型的核函数参数和惩罚因子。首先利用RF算法计算出每个特征的重要性,通过特征选择筛选出重要性高的特征作为特征子集;再利用QPSO算法的全局搜索能力寻找出SVM模型的最优核函数参数和惩罚因子,最后将最优参数应用于SVM模型中进行分类预测。实验仿真结果表明,与其他机器学习算法相比,所提模型具有较高的训练精度和预测精度,也证实了该模型具有较好的鲁棒性和泛化性能。
关键词：随机森林,量子粒子群优化,支持向量机,特征选择,鲁棒性
基金资助：国家自然科学基金资助项目(72271164);教育部人文社会科学研究规划基金资助项目(19YJA630021)。
