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
人工蜂群算法(Artificial Bee Colony, ABC)是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法,其直观背景来源于蜂群的采蜜行为,蜜蜂根据各自的分工进行不同的活动,并实现蜂群信息的共享和交流,从而找到问题的最优解。人工蜂群算法属于群智能算法的一种。
本项目通过ABC人工蜂群优化算法优化循环神经网络分类模型。
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:
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变量柱状图
用Matplotlib工具的plot()方法绘制柱状图:
4.2 y=1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%测试集进行划分,关键代码如下:
5.3 数据样本增维
数据样本增加维度后的数据形状:
6.构建ABC人工蜂群优化算法优化LSTM分类模型
主要使用ABC人工蜂群优化算法优化LSTM算法,用于目标分类。
6.1 ABC人工蜂群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 | LSTM分类模型 | units=best_units |
2 | epochs=best_epochs |
6.3 最优参数模型摘要信息
6.4 最优参数模型网络结构
6.5 最优参数模型训练集测试集损失和准确率曲线图
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。
模型名称 | 指标名称 | 指标值 |
测试集 | ||
LSTM分类模型 | 准确率 | 0.8850 |
查准率 | 0.9058 | |
查全率 | 0.8607 | |
F1分值 | 0.8827 |
从上表可以看出,F1分值为0.8827,说明模型效果良好。
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0.89;分类为1的F1分值为0.88。
7.3 混淆矩阵
从上图可以看出,实际为0预测不为0的 有18个样本;实际为1预测不为1的 有28个样本,整体预测准确率良好。
8.结论与展望
综上所述,本文采用了ABC人工蜂群优化算法寻找LSTM分类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/17C4OSCec_lE8usdOP7FwmA
提取码:kki1
标签:蜂群,ABC,优化,模型,分类,算法,数据
From: https://blog.csdn.net/weixin_42163563/article/details/140218317