公司网站建设属于无形资产吗微网站建设行业现状

公司网站建设属于无形资产吗,微网站建设行业现状,app制作开发,互联网工作室暴利项目蜣螂优化算法DBO优化LSSVM的c和g参数做多特征输入单输出的二分类及多分类模型。 程序内注释详细替换数据就可以用。 程序语言为matlab。 程序可出分类效果图#xff0c;迭代优化图#xff0c;混淆矩阵图具体效果如下所示。大家可能没想到#xff0c;屎壳郎这种小昆虫的觅食行…蜣螂优化算法DBO优化LSSVM的c和g参数做多特征输入单输出的二分类及多分类模型。 程序内注释详细替换数据就可以用。 程序语言为matlab。 程序可出分类效果图迭代优化图混淆矩阵图具体效果如下所示。大家可能没想到屎壳郎这种小昆虫的觅食行为竟然能给机器学习调参带来灵感。今天咱们就用Matlab搞点有意思的——把蜣螂优化算法(DBO)和最小二乘支持向量机(LSSVM)结合做个能自动调参的分类神器。准备好了吗直接上代码先看核心的适应度函数这里用5折交叉验证计算分类准确率function accuracy fitnessFunc(position,train_data) % 拆分参数 c position(1); % 正则化参数 g position(2); % RBF核参数 % 数据预处理 [train_x,test_x] mapminmax(train_data(:,1:end-1),0,1); train_data [train_x train_data(:,end)]; % 5折交叉验证 indices crossvalind(Kfold,size(train_data,1),5); cv_acc zeros(5,1); for i1:5 test_idx (indices i); train_idx ~test_idx; % LSSVM训练关键参数设置 model initlssvm(train_data(train_idx,1:end-1),train_data(train_idx,end),c,c,1,... RBF_kernel,g); model trainlssvm(model); % 验证集预测 pred simlssvm(model,train_data(test_idx,1:end-1)); cv_acc(i) sum(predtrain_data(test_idx,end))/length(pred); end accuracy mean(cv_acc); % 取平均准确率 end这段代码有三个亮点1自动归一化处理避免量纲影响2交叉验证防止过拟合3参数位置与算法直接绑定方便优化器调整。接下来是DBO优化器的核心迭代逻辑% 初始化蜣螂种群 dung_pop zeros(pop_size,2); dung_pop(:,1) unifrnd(c_range(1),c_range(2),pop_size,1); % c参数初始化 dung_pop(:,2) unifrnd(g_range(1),g_range(2),pop_size,1); % g参数初始化 for iter1:max_iter % 动态调整搜索半径 radius max_radius * (1 - iter/max_iter); % 粪球滚动行为更新 new_pop dung_pop radius * randn(pop_size,2); % 边界处理防止参数越界 new_pop(:,1) min(max(new_pop(:,1),c_range(1)),c_range(2)); new_pop(:,2) min(max(new_pop(:,2),g_range(1)),g_range(2)); % 适应度评估 all_pop [dung_pop; new_pop]; fitness arrayfun((k) fitnessFunc(all_pop(k,:),data),1:size(all_pop,1)); % 精英保留策略 [~,idx] sort(fitness,descend); dung_pop all_pop(idx(1:pop_size),:); % 记录最优解 [best_acc(iter),best_id] max(fitness); best_pos(iter,:) all_pop(best_id,:); end这里用到了动态搜索半径和精英保留策略迭代过程中参数搜索范围逐渐缩小既保证全局搜索又兼顾局部细化。训练完成后可视化模块才是重头戏。来看混淆矩阵绘制function plotConfusionMatrix(true_label,pred_label) classes unique(true_label); cm confusionmat(true_label,pred_label); figure(Color,[1 1 1]) imagesc(cm); colormap(jet); colorbar; xticks(1:length(classes)); yticks(1:length(classes)); title(Confusion Matrix,FontSize,12); xlabel(Predicted Class); ylabel(True Class); % 添加数字标注 for i1:size(cm,1) for j1:size(cm,2) text(j,i,num2str(cm(i,j)),... HorizontalAlignment,center,... Color,cm(i,j)mode(cm(:))*0.8); end end end这个混淆矩阵用色阶图直观展示分类效果特别加了数值标注一眼就能看出哪里分类出错多。实际跑起来效果如何拿UCI的Iris数据集测试; % 多分类示例标签需为整数 data [features, categorical_labels];对于高维数据建议在预处理部分加入PCA降维[coeff,score] pca(train_x); train_x score(:,1:3); % 取前3个主成分踩过几个坑提醒大家1c和g的初始范围建议设为[0.1,100]用对数尺度搜索效果更好2类别不平衡时在适应度函数里改用F1-score3大数据集记得把交叉验证折数减少到3折。完整代码把这三个模块串起来最后输出三张图迭代曲线、分类边界、混淆矩阵。想要更炫的可视化可以试试把二维决策边界改成三维曲面或者加入动态优化过程录像功能——这个留给各位自己发挥吧