随机森林、支持向量机SVC、BP神经网络、遗传算法、粒子群优化参数

现诚邀有能力者帮我完成以下操作，本人会考虑对提供帮助这给予补偿

实现方式为Python或R软件
操作一：利用随机森林筛选重要性变量，并建立随机森林模型：
（1）所用到的数据中有57个变量，需要利用随机森林筛选出重要性变量，剔除对预测结果影响较小的冗余变量；

（2）利用步骤（1）中剔除冗余变量的2007-2016年的数据建立随机森林模型，预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率。并分别将真实结果与预测结果比较，计算出预测精度和误差；

（注：所用到的数据本人会提供）

操作二：建立支持向量机（SVC）模型，并利用粒子群（PSO）优化模型参数

（1）利用剔除冗余变量的2007-2016年的数据建立SVC模型，预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率，并分别将真实结果与预测结果比较，计算出预测精度和误差；

（2）利用粒子群优化SVC模型的参数；并列出优化后的各参数值；

（3）利用优化后的SVC模型预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率。并分别将真实结果与预测结果比较，计算出预测精度和误差；；

操作三：建立BP神经网络模型，并利用粒子群（PSO）优化模型参数

（1）利用剔除冗余变量的2007-2016年第四季度数据建立BP神经网络模型，预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率；并分别将真实结果与预测结果比较，计算出预测精度和误差；；

（2）利用粒子群优化BP神经网络模型参数；并列出优化后的各参数值；

（3）利用优化后的SVC模型预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率。并分别将真实结果与预测结果比较，计算出预测精度和误差；

操作四：利用遗传算法全局寻优，建立SVC与BP神经网络的加权组合模型

（1）对剔除冗余变量的2007-2016年第四季度数据，利用遗传算法全局寻优，确定最佳组合权重（需将确定的组合权重列出），建立随机森林模型、PSO-SVC 与PSO-BP神经网络三者的加权组合模型，预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率；并分别将真实结果与预测结果比较，计算出预测精度和误差；