PSO – 拓端

Python用PSO优化SVM与RBFN在自动驾驶系统仿真、手写数字分类应用研究

做快递单号识别时，扫描的数字总被误判（比如2当成3），人工复核费钱又费时间；搞自动驾驶仿真，转向总“过冲”，要么转早了要么转晚了——这俩问题其实都指向一个核心：机器学习模型的“参数没调好”！

作为数据科学家，我们常发现实际业务中总面临相似的核心问题：如何从复杂数据中挖掘规律，用模型解决具体痛点。几年前，我们为不同行业客户做咨询项目时，就遇到了电信欺诈识别、金融市场预测等典型需求。这些项目虽领域不同，但解决思路相通——都需要从数据处理入手，通过模型构建与优化，最终落地产生实际价值。

在当今科技飞速发展的时代，无论是工业生产中的管网系统，还是信息领域的网络安全，都面临着日益复杂的挑战😕。

本文以iris数据和模拟数据为例，帮助客户了比较R语言Kmeans聚类算法、PAM聚类算法、 DBSCAN聚类算法、 AGNES聚类算法、 FDP聚类算法、 PSO粒子群聚类算法在 iris数据结果可视化分析中的优缺点。

我今年的研究课题是使用粒子群优化（PSO）的货币进行交易组合优化。