怎么做公司门户网站,wordpress两个站合并,广东佛山哪家公司建网站,金融网络销售怎么找客源说明#xff1a;这是一个机器学习实战项目#xff08;附带数据代码文档视频讲解#xff09;#xff0c;如需数据代码文档视频讲解可以直接到文章最后获取。 1.项目背景 鲸鱼优化算法 (whale optimization algorithm,WOA)是 2016 年由澳大利亚格里菲斯大学的Mirjalili 等提出… 说明这是一个机器学习实战项目附带数据代码文档视频讲解如需数据代码文档视频讲解可以直接到文章最后获取。 1.项目背景 鲸鱼优化算法 (whale optimization algorithm,WOA)是 2016 年由澳大利亚格里菲斯大学的Mirjalili 等提出的一种新的群体智能优化算法其优点在于操作简单调整的参数少以及跳出局部最优的能力强。 本项目通过WOA鲸鱼优化算法优化支持向量机分类模型。 2.数据获取 本次建模数据来源于网络(本项目撰写人整理而成)数据项统计如下 数据详情如下(部分展示) 3.数据预处理 3.1 用Pandas工具查看数据 使用Pandas工具的head()方法查看前五行数据 关键代码 3.2数据缺失查看 使用Pandas工具的info()方法查看数据信息 从上图可以看到总共有16个变量数据中无缺失值。 关键代码 3.3数据描述性统计 通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。 关键代码如下 4.探索性数据分析 4.1 y变量柱状图 用Matplotlib工具的plot()方法绘制柱状图 4.2 y1样本x1变量分布直方图 用Matplotlib工具的hist()方法绘制直方图 4.3 相关性分析 从上图中可以看到数值越大相关性越强正值是正相关、负值是负相关。 5.特征工程 5.1 建立特征数据和标签数据 关键代码如下 5.2 数据集拆分 通过train_test_split()方法按照80%训练集、20%验证集进行划分关键代码如下 6.构建WOA鲸鱼优化算法优化支持向量机分类模型 主要使用WOA鲸鱼优化算法优化SVC算法用于目标分类。 6.1 算法介绍 说明算法介绍来源于网络供参考。 鲸鱼优化算法(whale optimization algorithm,WOA)是模仿座头鲸的狩猎行为进而提出的一种新型启发式优化算法。在 WOA 算法中每只座头鲸的位置代表一个可行解。在海洋活动中座头鲸有着一种特殊的狩猎方法这种觅食行为称为bubble-net 捕食策略其狩猎行为如图所示 包围猎物 座头鲸在狩猎时要包围猎物为了描述这种行为Mirjalili 提出了下面的数学模型 狩猎行为 根据座头鲸的狩猎行为它是以螺旋运动游向猎物故狩猎行为的数学模型如下 搜索猎物 在搜索猎物时其数学模型如下 算法流程 1初始化参数即鲸鱼种群规模大小SN最大迭代次数Tmax 2算法初始化鲸鱼种群的位置 3计算每一头鲸鱼相应的适应度值根据适应度值的大小排序并选取SN个作为初始种群 4计算出SN个个体适应度值的大小找出适应度值最小的个体位置作为最优位置 5更新下一代的位置 6若达到终止条件则输出最优个体即算法找到的最优解否则返回步骤4。 6.2 WOA鲸鱼优化算法寻找最优参数值 关键代码 每次迭代的过程数据 最优参数 最优参数取的是最优一次迭代输出的C数值当然了也可以增加迭代次数看看最后模型评估输出的数值不断地进行项目的调试使之达到自己想要的结果。 6.3 最优参数模型预测 这里通过最优参数模型对测试数据集进行预测。 关键代码 7.模型评估 7.1评估指标及结果 评估指标主要包括准确率、查准率、查全率、F1分值等等。 从上表可以看出F1分值为0.8说明鲸鱼优化的模型效果良好。 关键代码如下 7.2 分类报告 从上图可以看出分类为0的F1分值为0.87分类为1的F1分值为0.80。 7.3 混淆矩阵 从上图可以看出实际为0预测不为0的 有7个样本实际为1预测不为1的 有1个样本模型预测效果良好。 8.结论与展望 综上所述本文采用了WOA鲸鱼优化算法寻找支持向量机SVC算法的最优参数值来构建分类模型最终证明了我们提出的模型效果良好。此模型可用于日常产品的建模工作。 # 本次机器学习项目实战所需的资料项目资源如下# 项目说明# 链接https://pan.baidu.com/s/19K7LyKUtCY6A8zArRkCWdg
# 提取码x7gzprint(******************查看数据前5行********************)
print(data.head())print(******************查看数据缺失值********************)
print(data.info())print(******************数据描述性统计分析**********************)
print(data.describe().round(4)) # 保留4位小数点# y变量柱状图
plt.rcParams[font.sans-serif] [SimHei] # 指定默认字体
plt.rcParams[axes.unicode_minus] False # 解决保存图像是负号-显示为方块的问题
# kindbar 绘制柱状图
data[y].value_counts().plot(kindbar)
plt.xlabel(y变量)
plt.ylabel(数量)
plt.title(y变量柱状图)
plt.show()
