Python实现WOA智能鲸鱼优化算法优化支持向量机分类模型(SVC算法)项目实战

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 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%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/1dW3S1a6KGdUHK90W-lmA4w 
提取码：bcbp