With the rapid development of computer technology, data collection becomes easier, and data object presents more complex. Data analysis method based on machine learning is an important, active, and multi-disciplinarily research field. Support vector machine (SVM) is one of the most powerful and fast classification models. The main challenges SVM faces are the selection of feature subset and the setting of kernel parameters. To improve the performance of SVM, a metaheuristic algorithm is used to optimize them simultaneously. This paper first proposes a novel classification model called IBMO-SVM, which hybridizes an improved barnacle mating optimizer (IBMO) with SVM. Three strategies, including Gaussian mutation, logistic model, and refraction-learning, are used to improve the performance of BMO from different perspectives. Through 23 classical benchmark functions, the impact of control parameters and the effectiveness of introduced strategies are analyzed. The convergence accuracy and stability are the main gains, and exploration and exploitation phases are more properly balanced. We apply IBMO-SVM to 20 real-world datasets, including 4 extremely high-dimensional datasets. Experimental results are compared with 6 state-of-the-art methods in the literature. The final statistical results show that the proposed IBMO-SVM achieves a better performance than the standard BMO-SVM and other compared methods, especially on high-dimensional datasets. In addition, the proposed model also shows significant superiority compared with 4 other classifiers.

随着计算机技术的飞速发展，数据的收集变得越来越容易，数据对象也越来越复杂。基于机器学习的数据分析方法是一个重要的、活跃的、多学科的研究领域。支持向量机（SVM）是最强大、最快速的分类模型之一。SVM 面临的主要挑战是特征子集的选择和内核参数的设置。为了提高 SVM 的性能，使用元启发式算法同时优化它们。本文首先提出了一种称为 IBMO-SVM 的新型分类模型，该模型将改进的藤壶交配优化器 (IBMO) 与 SVM 混合。采用高斯变异、逻辑模型和折射学习三种策略从不同角度提高 BMO 的性能。通过23个经典基准函数，分析控制参数的影响和引入策略的有效性。收敛的准确性和稳定性是主要收益，探索和开发阶段得到了更适当的平衡。我们将 IBMO-SVM 应用于 20 个真实数据集，包括 4 个极高维数据集。实验结果与文献中的 6 种最先进的方法进行了比较。最终的统计结果表明，提出的 IBMO-SVM 比标准 BMO-SVM 和其他比较方法取得了更好的性能，尤其是在高维数据集上。此外，与其他 4 个分类器相比，所提出的模型也显示出显着的优势。收敛的准确性和稳定性是主要收益，探索和开发阶段得到了更适当的平衡。我们将 IBMO-SVM 应用于 20 个真实数据集，包括 4 个极高维数据集。实验结果与文献中的 6 种最先进的方法进行了比较。最终的统计结果表明，提出的 IBMO-SVM 比标准 BMO-SVM 和其他比较方法取得了更好的性能，尤其是在高维数据集上。此外，与其他 4 个分类器相比，所提出的模型也显示出显着的优势。收敛的准确性和稳定性是主要收益，探索和开发阶段得到了更适当的平衡。我们将 IBMO-SVM 应用于 20 个真实数据集，包括 4 个极高维数据集。实验结果与文献中的 6 种最先进的方法进行了比较。最终的统计结果表明，提出的 IBMO-SVM 比标准 BMO-SVM 和其他比较方法取得了更好的性能，尤其是在高维数据集上。此外，与其他 4 个分类器相比，所提出的模型也显示出显着的优势。实验结果与文献中的 6 种最先进的方法进行了比较。最终的统计结果表明，提出的 IBMO-SVM 比标准 BMO-SVM 和其他比较方法取得了更好的性能，尤其是在高维数据集上。此外，与其他 4 个分类器相比，所提出的模型也显示出显着的优势。实验结果与文献中的 6 种最先进的方法进行了比较。最终的统计结果表明，提出的 IBMO-SVM 比标准 BMO-SVM 和其他比较方法取得了更好的性能，尤其是在高维数据集上。此外，与其他 4 个分类器相比，所提出的模型也显示出显着的优势。