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。
2019年Heidari等人提出哈里斯鹰优化算法(Harris Hawk Optimization, HHO),该算法有较强的全局搜索能力,并且需要调节的参数较少的优点。
本项目通过HHO哈里斯鹰优化算法寻找最优的参数值来优化CNN回归模型。
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):
使用Pandas工具的head()方法查看前五行数据:
关键代码:
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:
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:
用Matplotlib工具的hist()方法绘制直方图:
从上图可以看到,y变量主要集中在-400~400之间。
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。
关键代码如下:
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:
训练集和测试集数据样本增维后的样本形状如下:
主要使用HHO哈里斯鹰优化算法优化CNN回归算法,用于目标回归。
关键代码:
每次迭代的过程数据:
最优参数:
评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。
从上表可以看出,R方0.8581,为模型效果良好。
关键代码如下:
从上图可以看出真实值和预测值波动基本一致,模型拟合效果良好。
综上所述,本文采用了HHO哈里斯鹰优化算法寻找CNN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。
#!/usr/bin/env python
# coding: utf-8
# 定义绘图函数:损失曲线图和准确率曲线图
def show_history(history):
loss = history.history['loss'] # 获取损失
val_loss = history.history['val_loss'] # 测试集损失
epochs = range(1, len(loss) + 1) # 迭代次数
plt.figure(figsize=(12, 4)) # 设置图片大小
plt.subplot(1, 2, 1) # 增加子图
plt.plot(epochs, loss, 'r', label='Training loss') # 绘制曲线图
plt.plot(epochs, val_loss, 'b', label='Test loss') # 绘制曲线图
plt.title('Training and Test loss') # 设置标题名称
plt.xlabel('Epochs') # 设置x轴名称
plt.ylabel('Loss') # 设置y轴名称
plt.legend() # 添加图例
plt.show() # 显示图片
# ******************************************************************************
# 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/1c6mQ_1YaDINFEttQymp2UQ
# 提取码:thgk
# ******************************************************************************
print('**************************输出测试集的模型评估指标结果*******************************')
print('CNN回归模型-最优参数-R^2:', round(r2_score(y_test, y_pred), 4))
print('CNN回归模型-最优参数-均方误差:', round(mean_squared_error(y_test, y_pred), 4))
print('CNN回归模型-最优参数-解释方差分:', round(explained_variance_score(y_test, y_pred), 4))
print('CNN回归模型-最优参数-绝对误差:', round(mean_absolute_error(y_test, y_pred), 4))
更多项目实战,详见机器学习项目实战合集列表:
机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客