[发明专利]一种基于改进的多元宇宙算法构建预测模型的方法

说明书

本发明提供一种基于改进的多元宇宙算法构建预测模型的方法，包括获取样本数据并对所获取到的样本数据进行归一化处理；利用基于改进的多元宇宙算法优化支持向量机的惩罚因子C和核宽γ；基于所获得的惩罚因子C和核宽γ，利用所归一化处理后的数据来构建预测模型，并基于所构建的预测模型对待分类样本进行分类和预测。实施本发明，通过基于改进的多元宇宙算法来优化SVM的惩罚因子和核宽，可有效提升算法的收敛速度和收敛精度，提升算法逃脱局部最优解的能力，找到更优的全局近似最优解。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于改进的多元宇宙算法(CSAMVO)算法构建预测模型的方法。

背景技术

众所周知，科学技术日益表现出交叉和渗透的特征，特别是计算机科学技术改变了人类生产与生活方式。大数据应用的领域也越来越广，因此对大数据的分类及预测等处理提出了新的挑战，尤其是元启发式优化算法用于大数据的分类及预测中。

支持向量机(SVM)常用于构建预测模型来对数据进行分析，该支持向量机(SVM)最常用的两种参数优化方法包括网格搜索和梯度下降。在第一种参数优化方法中，网格搜索是一种穷举搜索方法，它一般是通过设置合理的区间上下限和间隔步长对指定参数空间进行划分，然后对每个网格节点代表的参数组合进行训练和预测，将这些预测结果中取值最高的一组参数作为最终SVM模型的最佳参数。该方法虽然在一定程度上能保证得到给定参数空间内最优的参数组合，然而随着参数空间增大，其搜索效率会大大降低，特别是设置合理的区间和间隔步长值往往非常困难，从而大大降低了其可行性，而且模型也非常容易陷入局部最优值；在第二种参数优化方法中，梯度下降方法虽然能克服网格搜索方法的缺陷，但是它对初始值非常敏感，特别是初始参数设置离最优解非常远的时候，模型很容易收敛到局部最优解。

近年来，由于元启发式的搜索算法凭借其独特的全局寻优能力而受到了学术和工业界的广泛关注，它们被普遍认为比传统寻优方法具有更大的机会找到全局最优解，因此提出多种基于元启发式算法的SVM训练算法来处理参数优化问题。

SVM在具体应用时，其性能主要受包括线性核函数、多项式核函数、径向基(RBF)核函数和sigmoid核函数等核函数影响，一般情况下选择基于RBF核函数的SVM。RBF核SVM主要涉及两个重要的参数C和γ。C是惩罚因子，它用于控制对错分样本惩罚的程度，起到控制训练误差和模型复杂度之间平衡的作用；C值越小，则对数据中误判样本的惩罚也越小，使得训练误差变大，因此结构风险也变大。相反，C值越大，对错分样本的约束程度就越大，这样会导致模型虽然对训练数据的误判率很低，但整体的泛化能力却很差，容易出现“过拟合”现象。参数γ代表RBF核函数中的核宽，它决定了核函数的宽度，直接影响SVM的性能。如果γ取得不恰当，SVM很难获得预期的学习效果。γ值太小会导致过拟合，γ值太大会使SVM的判别函数过于平缓。所以惩罚因子C和核宽γ从不同的角度影响着SVM的分类超平面。在实际应用中，它们取值过大或过小都会使SVM的泛化性能变差。

但是，采用现有的元启发式的搜索算法来处理SVM参数优化问题，还有待进一步提升算法的收敛速度和收敛精度，提升算法逃脱局部最优解的能力，从而找到更优的全局近似最优解。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于改进的多元宇宙算法构建预测模型的方法，通过基于改进的多元宇宙算法(CSAMVO)来优化SVM的惩罚因子和核宽，可有效提升算法的收敛速度和收敛精度，提升算法逃脱局部最优解的能力，找到更优的全局近似最优解。

为了解决上述技术问题，本发明实施例提供了一种基于改进的多元宇宙算法构建预测模型的方法，所述方法包括以下步骤：

步骤S1、获取样本数据并对所获取到的样本数据进行归一化处理；

步骤S2、利用基于改进的多元宇宙算法优化支持向量机的惩罚因子C和核宽γ，具体为：