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。
蝙蝠算法是2010年杨教授基于群体智能提出的启发式搜索算法,是一种搜索全局最优解的有效方法。该算法基于迭代优化,初始化为一组随机解,然后迭代搜寻最优解,且在最优解周围通过随机飞行产生局部新解,加强局部搜索速度。该算法具有实现简单、参数少等特点。
混合蝙蝠算法针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。
本项目通过HBA混合蝙蝠智能算法优化卷积神经网络分类模型。
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plot()方法绘制柱状图:
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。
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:
数据样本增加维度后的数据形状:
主要使用HBA混合蝙蝠优化算法优化CNN分类算法,用于目标分类。
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
6.4 最优参数模型网络结构
6.5 最优参数模型训练集测试集损失和准确率曲线图
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0.9125,说明模型效果较好。
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0.91;分类为1的F1分值为0.91。
从上图可以看出,实际为0预测不为0的 有22个样本;实际为1预测不为1的 有13个样本,整体预测准确率良好。
综上所述,本文采用了HBA混合蝙蝠智能优化算法寻找卷积神经网络CNN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预测。
# 开始迭代
t = 0
for t in range(N_gen):
print('***********************当前迭代次数为:', t + 1, '******************************')
# 对所有蝙蝠/位置进行循环
for i in range(N_pop):
Q[i] = np.random.uniform(Qmin, Qmax) # 生成随机数
v[i] = v[i] + (Sol[i] - best) * Q[i] # 速度
S[i] = Sol[i] + v[i] # 位置
# ******************************************************************************
# 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
# ******************************************************************************
# y=1样本x1变量分布直方图
fig = plt.figure(figsize=(8, 5)) # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
data_tmp = df.loc[df['y'] == 1, 'x1'] # 过滤出y=1的样本
# 绘制直方图 bins:控制直方图中的区间个数 auto为自动填充个数 color:指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g')
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