【预测模型-SVM预测】基于粒子群算法结合支持向量机SVM实现Covid-19风险预测附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机

⛄ 内容介绍

Covid-19风险数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法( PSO)优化支持向量机( SVM)的Covid-19风险预测模型.利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对Covid-19风险进行预测.研究结果显示,相比传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的.

⛄ 部分代码

function EVAL = Evaluate(ACTUAL,PREDICTED)

idx = (ACTUAL()==1);

p = length(ACTUAL(idx));

n = length(ACTUAL(~idx));

N = p+n;

tp = sum(ACTUAL(idx)==PREDICTED(idx))

tn = sum(ACTUAL(~idx)==PREDICTED(~idx))

fp = n-tn

fn = p-tp

tp_rate = tp/p;

tn_rate = tn/n;

accuracy = (tp+tn)/N;

sensitivity = tp_rate;

specificity = tn_rate;

precision = tp/(tp+fp);

recall = sensitivity;

f_measure = 2*((precision*recall)/(precision + recall));

gmean = sqrt(tp_rate*tn_rate);

EVAL = [accuracy sensitivity specificity precision recall f_measure gmean];

Ac={'Accuracy' 'Sensitivity' 'Specificity' 'Precision' 'Recall' 'F_measure' 'Gmean'} 

⛄ 运行结果

⛄ 参考文献

[1]程云芳, 邱榕. 基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测[J]. 火灾科学, 2020, 29(3):9.

❤️ 关注我领取海量matlab电子书和数学建模资料

❤️部分理论引用网络文献，若有侵权联系博主删除