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。

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_第1张图片

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_第2张图片

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:

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_第3张图片

 数据详情如下(部分展示):

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_第4张图片

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:

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_第5张图片

 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:

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_第6张图片

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。

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_第7张图片

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:

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_第8张图片

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:

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_第9张图片

 4.3 相关性分析

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_第10张图片

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:

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_第11张图片

 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:

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_第12张图片

 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:

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_第13张图片

 搜索猎物

在搜索猎物时,其数学模型如下:

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_第14张图片

 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:

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_第15张图片

每次迭代的过程数据:

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_第16张图片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_第17张图片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_第18张图片

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_第19张图片

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_第20张图片

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_第21张图片

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_第22张图片

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_第23张图片

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_第24张图片

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_第25张图片

 最优参数:

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_第26张图片

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。

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_第27张图片

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

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_第28张图片

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

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_第29张图片

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

你可能感兴趣的:(机器学习,python,WOA智能鲸鱼优化算法,支持向量机分类模型,SVC算法,SVM分类模型,机器学习项目实战)