一种基于蚁群优化算法并行选择 SVM 参数的方法
神经与进化计算
2014-05-21 v2 机器学习
摘要
大量实验数据表明，支持向量机（SVM）算法在文本分类、手写识别、图像分类、生物信息学及其他领域具有明显优势。在某种程度上，SVM 的优化取决于其核函数和松弛变量，而分类函数中的参数 和 c 是决定性因素。也就是说，要优化 SVM 算法，这两个参数的优化起着巨大作用。蚁群优化（ACO）是一种模拟蚂蚁寻找最优路径的优化算法。在现有文献中，我们将 ACO 算法与并行算法相结合，以寻找良好的参数。
引用
@article{arxiv.1405.4589,
title = {A Parallel Way to Select the Parameters of SVM Based on the Ant Optimization Algorithm},
author = {Chao Zhang and Hong-cen Mei and Hao Yang},
journal= {arXiv preprint arXiv:1405.4589},
year = {2014}
}
备注
3 pages, 2 figures, 2 tables