基于改进粒子群优化算法的IPSO-SVM分类预测方法
在机器学习中，分类算法总是让人又爱又恨——特别是当遇到特征维度高、数据分布复杂的情况时。
最近帮实验室师弟调试的IPSO-SVM方案，用改进粒子群算法给SVM参数调优，实测效果不错。今天咱们就拆
解这个能直接跑通的工具箱，手把手看它怎么玩转分类任务。
先看核心改进点：传统粒子群算法的惯性权重是固定值，这里改用从0.9到0.4的线性递减策略。就
像开车时先猛踩油门再慢慢收力，前期全局搜索能力强，后期局部优化更细腻。对应的MATLAB代码片段长
这样：
```matlab
% 权重线性递减计算
w = w_max - (w_max - w_min) * (iter / max_iter);
```
这个不起眼的改动让算法收敛速度提升了约30%。实际运行中能看到粒子群从乱窜到逐渐聚焦的过
程，后文的效果图会展示这个变化。
代码整体采用模块化设计，新手重点关注三个部分：
1. `IPSO_SVM.m` 主程序入口
2. `svmFitness.m` 适应度函数
3. `plot_results.m` 可视化模块
数据预处理部分特别省心，只要把Excel数据整理成N×M矩阵（前M-1列是特征，最后一列是标签），改
个文件名就能用。比如处理鸢尾花数据集时：
```matlab
data = xlsread('iris.xlsx');
input = data(:,1:4); % 四维特征
output = data(:,5); % 三类标签
```
适应度函数的设计是调参关键。这里用5折交叉验证的准确率作为评价指标，同时惩罚过大的参数
值避免过拟合：
```matlab
function fitness = svmFitness(x,train_data,train_label)
c = x(1); % 惩罚因子
g = x(2); % 核函数参数
cmd = ['-s 0 -t 2 -c ', num2str(c), ' -g ', num2str(g), ' -q'];
