首页 > 编程语言 >Python实现SMA黏菌优化算法优化LightGBM回归模型(LGBMRegressor算法)项目实战

Python实现SMA黏菌优化算法优化LightGBM回归模型(LGBMRegressor算法)项目实战

时间:2024-05-31 18:31:11浏览次数:24  
标签:黏菌 LightGBM 数据 模型 算法 优化 SMA

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

黏菌优化算法(Slime mould algorithm,SMA)由Li等于2020年提出,其灵感来自于黏菌的扩散和觅食行为,属于元启发算法。具有收敛速度快,寻优能力强的特点。主要模拟了黏菌的扩散及觅食行为,利用自适应权重模拟了基于生物振荡器的“黏菌传播波”产生正反馈和负反馈的过程,形成具有良好的探索能力和开发倾向的食物最优连接路径,因此具有较好的应用前景。 

本项目通过SMA黏菌优化算法优化LightGBM回归模型。     

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:

编号 

变量名称

描述

1

x1

2

x2

3

x3

4

x4

5

x5

6

x6

7

x7

8

x8

9

x9

10

x10

11

y

因变量

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11个变量,数据中无缺失值,共2000条数据。

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变量分布直方图

用Matplotlib工具的hist()方法绘制直方图:

4.2 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%测试集进行划分,关键代码如下:

6.构建SMA黏菌优化算法优化LightGBM回归模型 

主要使用SMA黏菌优化算法优化LightGBM回归算法,用于目标回归。   

6.1 SMA黏菌优化算法寻找最优参数值 

最优参数:

6.2 最优参数值构建模型 

编号

模型名称

参数

1

LightGBM回归模型    

n_estimators=best_n_estimators

2

learning_rate=best_learning_rate

7.模型评估

7.1评估指标及结果 

评估指标主要包括R方、均方误差、解释性方差、绝对误差等等。

模型名称

指标名称

指标值

测试集

LightGBM回归模型    

R方

0.9253

均方误差

2127.7743

解释方差分

0.9253

绝对误差

36.7455 

从上表可以看出,R方分值为0.9253,说明模型效果比较好。 

关键代码如下:   

7.2 真实值与预测值对比图

从上图可以看出真实值和预测值波动基本一致,模型效果良好。   

8.结论与展望

综上所述,本文采用了SMA黏菌优化算法寻找LightGBM回归算法的最优参数值来构建回归模型,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预测。 

# 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:
 
# 获取方式一:
 
# 项目实战合集导航:
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二:
 
链接:https://pan.baidu.com/s/1B-Wuy29gyrcP0l0e1XKN8w 
提取码:dxfn

标签:黏菌,LightGBM,数据,模型,算法,优化,SMA
From: https://blog.csdn.net/weixin_42163563/article/details/139359177

相关文章