Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)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实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第1张图片


 Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第2张图片


1.项目背景

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。

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实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第3张图片

数据详情如下(部分展示):

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)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实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)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实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第6张图片

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。

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)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变量直方图

用Matplotlib工具的hist()方法绘制直方图:

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第8张图片

从上图可以看到,y变量主要集中在-400~400之间。

4.2 相关性分析

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第9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%测试集进行划分,关键代码如下:

5.3 数据样本增维

训练集和测试集数据样本增维后的样本形状如下:

6.构建HHO哈里斯鹰优化算法优化CNN回归模型

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。

6.1 HHO哈里斯鹰优化算法寻找的最优参数

关键代码:

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第10张图片

每次迭代的过程数据:

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第11张图片 

最优参数:

 

6.2 最优参数值构建模型

 6.3 最优参数模型摘要信息

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第12张图片

6.4 最优参数模型网络结构

 Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第13张图片

6.5 最优参数模型训练集测试集损失曲线图

 Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第14张图片

7.模型评估

7.1 评估指标及结果

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。

Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第15张图片

从上表可以看出,R方0.8581,为模型效果良好。

关键代码如下:

 

7.2 真实值与预测值对比图

 Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络回归模型(CNN回归算法)项目实战_第16张图片

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。     

8.结论与展望

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


你可能感兴趣的:(机器学习,python,python,群智能优化算法,机器学习,哈里斯鹰优化算法HHO,卷积神经网络回归模型)