SSA-XGBoost | 基于麻雀搜索算法优化XGBoost的特征选择与参数附MATLAB代码

基于麻雀搜索算法优化XGBoost的特征选择与参数调优研究摘要针对高维数据中冗余特征影响分类精度以及XGBoost模型参数难以凭经验确定最优组合的问题，本文提出了一种基于麻雀搜索算法（SSA）的联合优化框架。该框架在特征选择过程中，同步优化XGBoost的三大关键超参数：最大迭代次数、树深度和学习率。通过在Wine数据集上的实验验证，该方法能够有效剔除无关特征，并自动寻优得到最佳模型配置，显著提高了分类准确率。实验结果表明，该集成策略在测试集上取得了优异的表现，验证了其在实际应用中的有效性和鲁棒性。1. 引言在机器学习分类任务中，原始数据往往包含大量冗余或无关特征，这不仅增加了模型的计算复杂度，还可能导致过拟合。同时，XGBoost作为强大的集成学习算法，其性能高度依赖于超参数（如迭代次数、树深、学习率）的合理设置。传统的网格搜索或随机搜索方法不仅耗时，且难以在特征选择与参数调优之间建立联合优化的桥梁。为此，本研究引入群体智能算法中的麻雀搜索算法（Sparrow Search Algorithm, SSA），将特征选择与XGBo