智能优化特征选择-基于CSA乌鸦优化的特征选择分类算法KNN和SVM分类器（matlab程序）

%% Whale Optimization Algorithm (CSA_SVM) clear, clc, close; %% 读取数据 res = xlsread('data.xls'); feat = res(1:end,1:21); label =res(1:end,22); %% 设置迭代次数 test_num = 5; %% 设置接收准确率的数组 train_acc=zeros(1,test_num); test_acc=zeros(1,test_num); %% 设置接收适应度的数组 value_fit = rand(test_num,100); %% 设置接收选择最佳子集的索引的数组 s_idx = zeros(test_num,test_num); %% 设置接收选择最佳子集个数 bf_num=zeros(1,test_num); tic for i =1:test_num fprintf('\n 这是第%d次测试',i); %% SVM超参数参数 opts.c = 4.0; opts.g = 0.8; %% 验证集比例 ho = 0.2; %% 公共参数 opts.N = 30; % number of solutions %种群数 opts.T = 100; % maximum number of iterations %% CSA参数 opts.AP = 0.1; % awareness probability opts.fl = 1.5; % flight length %% 划分数据集 HO = cvpartition(label,'HoldOut',ho); opts.Model = HO; %% 返回选取的特征 FS = jfs('csasvm',feat,label,opts); %% 返回特征索引 sf_idx = FS.sf; s_idx(i,1:length(sf_idx)) = sf_idx; %% 返回最佳子集个数 bf_num(i) = FS.nf; %% 计算准确率 [train_Acc, test_Acc, PX, PY, Auc] = jknn(feat(:,sf_idx),label,opts); train_acc(i) = train_Acc; test_acc(i) = test_Acc; %% 适应度值 value_fit(i,:)=FS.s; end %% 绘制图像 figure plot(FS.s); grid on; xlabel('Number of Iterations'); ylabel('Fitness Value'); title('CSASVM'); %% 绘制 ROC 曲线 figure plot(PX, PY, '-'); xlabel('CSAlse Positive Rate (FP / N)'); ylabel('True Positive Rate (TP / P)'); title(['ROC Curve (AUC = ', num2str(Auc), ')']); %% 输出运行时间 time = toc; fprintf('\n测试时间 %f',time) %% 输出准确率 fprintf('\n CSASVM训练集准确率平均值: %g %% ',100 *mean(train_acc)); fprintf('\n CSASVM测试集准确率平均值: %g %%',100 *mean(test_acc)); %% 输出筛选特征个数 最差 最好 平均 方差 fprintf('\n CSASVM选择特征的最多个数: %d ',max(bf_num)); fprintf('\n CSASVM选择特征的最少个数: %d ',min(bf_num)); fprintf('\n CSASVM选择特征的平均个数: %d ',mean(bf_num)); fprintf('\n CSASVM选择特征的方差个数: %d \n', std(bf_num)); %% 统计每个特征被选择的次数 for d = 1:size(feat,2) % 使用逻辑索引统计整数出现的次数 count = sum(s_idx(:)== d); disp(['特征 ', num2str(d), ' 出现的次数为：', num2str(count)]); end