PSO算法特征选择MATLAB实现（单目标）

uperrua · 发表于 2020-5-20 14:26

EDA365欢迎您登录！

您需要登录才可以下载或查看，没有帐号？注册

x

本帖最后由 uperrua 于 2020-5-20 14:28 编辑

PSO进行进行特征选择其主要思想是：将子集的选择看作是一个搜索寻优问题（wrapper方法），生成不同的组合，对组合进行评价，再与其他的组合进行比较。这样就将子集的选择看作是一个是一个优化问题。

下面是PSO进行特征选择的代码（注意：整体代码是单目标只优化错误率，注意训练使用的是林志仁SVM，数据集是Parkinson，可以到UCI上下载，训练的结果是错误率）

数据集分割为训练集和测试集：

function divide_datasets
load Parkinson.mat;
dataMat=Parkinson_f;
len=size(dataMat,1);
%归一化
maxV = max(dataMat);
minV = min(dataMat);
range = maxV-minV;
newdataMat = (dataMat-repmat(minV,[len,1]))./(repmat(range,[len,1]));

Indices =  crossvalind('Kfold', length(Parkinson_label), 10);
site = find(Indices==1|Indices==2|Indices==3);
train_F = newdataMat(site,: );
train_L = Parkinson_label(site);
site2 = find(Indices~=1&Indices~=2&Indices~=3);
test_F = newdataMat(site2,: );
test_L =Parkinson_label(site2);
save train_F train_F;
save train_L train_L;
save test_F test_F;
save test_L test_L;
end

主函数PSOFS：

clear;
clc;
format long;
%------给定初始化条件----------------------------------------------
c1=2;          %学习因子1
c2=2;          %学习因子2
w=0.7;          %惯性权重
MaxDT=100;    %最大迭代次数
D=22;          %搜索空间维数（未知数个数）
M=30;          %初始化群体个体数目
bound=1;
%eps=10^(-6);    %设置精度(在已知最小值时候用)
global answer    %最后所有粒子的结果（包括特征与精确度）
answer=cell(M,3);
global choice    %选出的特征个数
choice=0.8;

%------初始化种群的个体(可以在这里限定位置和速度的范围)------------

x=randn(M,D); %随机初始化位置
v=randn(M,D); %随机初始化速度
x(x>bound)=bound;
x(x<-bound)=-bound;
%------先计算各个粒子的适应度，并初始化p(i)和gbest--------------------
divide_datasets();
for i=1:M
p(i)=fitness(x(i,: ),i);
y(i,: )=x(i,: );
end
gbest=x(1,: );          %gbest为全局最优

for i=2:M
if(fitness(x(i,: ),i)<fitness(gbest,i))
      gbest=x(i,: );
end
end

%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
for t=1:MaxDT
for i=1:M
      v(i,: )=w*v(i,: )+c1*rand*(y(i,: )-x(i,: ))+c2*rand*(gbest-x(i,: ));
      x(i,: )=x(i,: )+v(i,: );
      if fitness(x(i,: ),D)<p(i)
         p(i)=fitness(x(i,: ),i);
         y(i,: )=x(i,: );
      end
      if p(i)<fitness(gbest,i)
         gbest=y(i,: );
      end
end
end

%------显示计算结果
disp('*************************************************************')
Solution=gbest';
Result=fitness(gbest,i);
disp('*************************************************************')

特征选择评价函数（利用林志仁的SVM进行训练）：

function error = fitness(x,i)
global answer
global choice
load train_F.mat;
load train_L.mat;
load test_F.mat;
load test_L.mat;

inmodel = x>choice;%%%%%设定恰当的阈值选择特征
answer(i,1)={sum(inmodel(1,: ))};
model = libsvmtrain(train_L,train_F(:,inmodel));
[predict_label, ~, ~] = libsvmpredict(test_L,test_F(:,inmodel),model,'-q');
error=0;
for j=1:length(test_L)
if(predict_label(j,1) ~= test_L(j,1))
      error = error+1;
end
end
error = error/length(test_L);
answer(i,2)={error};
answer(i,3)={inmodel};
end

结果（选出的特征数和错误率）：
特征数：3
错误率：0.1544

regngfpcb · 发表于 2020-5-20 15:27

PSO算法特征选择MATLAB实现

帐号		自动登录	找回密码
密码			注册

PSO算法特征选择MATLAB实现（单目标）

EDA365欢迎您登录！

浏览过的版块

推荐内容 /1