《表2 各类算法在不同数据集上的分类性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《灰狼优化的混合参数多分类孪生支持向量机》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在实验设置中，将灰狼算法的个体数量初始化为15，惩罚参数及核参数初始化为[0，10]之间的随机值，将孪生支持向量机的核函数设置为高斯核。表2列出了采用默认参数（惩罚参数设置为1，核参数设置为2）的多分类支持向量机（OVO SVM）、多分类孪生支持向量机（OVO TWSVM，惩罚参数cij、cji分别设置为1，核参数设置为2）、采用网格搜索优化参数的多分类孪生支持向量机（Grid-MTWSVM）、采用灰狼算法优化参数的多分类孪生支持向量机（GWO-MTWSVM，以整体准确率作为适应度函数，各子分类器采用相同的惩罚参数及核参数）以及本文提出的GWO-MP-MTWSVM算法之间在不同数据集上10次随机实验的平均分类准确率ACC、F1值的对比。由表2可知，GWO-MP-MTWSVM算法无论是准确率ACC还是F1值，在所有数据集上分类效果都是最佳的。其中，OVO TWSVM在6个数据集上的性能高于OVO SVM，证明了相对于SVM，TWSVM不仅能够缩短运行时间，也能提高分类精度；Grid-MTWSVM在所有数据集上的性能都高于OVO TWSVM，证明了选择参数的重要性；GWO-MTWSVM在所有数据集上的性能都高于Grid-MTWSVM，说明了GWO算法具有良好的全局收敛性，因此GWO找到的参数值比网格搜索要好。GWO-MP-MTWSVM与GWO-MTWSVM都是通过灰狼优化算法寻找最优参数，GWO-MP-MTWSVM在所有数据集上的性能都大于GWO-MTWSVM，证明了本文提出的GWO-MP-MTWSVM算法的有效性。