Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第1张图片

Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第2张图片

1.项目背景

萤火虫算法(Fire-fly algorithm,FA)由剑桥大学Yang于2009年提出 , 作为最新的群智能优化算法之一,该算法具有更好的收敛速度和收敛精度,且易于工程实现等优点。

本项目通过FA萤火虫优化算法寻找最优的参数值来优化LSTM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:

编号 

变量名称

描述

1

x1

2

x2

3

x3

4

x4

5

x5

6

x6

7

x7

8

x8

9

x9

10

x10

11

y

因变量

数据详情如下(部分展示):

Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第3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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第4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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第5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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第6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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第7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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第8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

数据样本增加维度后的数据形状:

Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第9张图片

6.构建FA萤火虫优化算法优化LSTM回归模型

主要使用FA萤火虫优化算法优化LSTM回归算法,用于目标回归。

6.1 FA萤火虫优化算法寻找的最优参数   

最优参数:

   

6.2 最优参数值构建模型

编号

模型名称

参数

1

LSTM回归模型

units=best_units

2

epochs=best_epochs

6.3 最优参数模型摘要信息

Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第10张图片

6.4 最优参数模型网络结构

Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第11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FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第12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。

模型名称

指标名称

指标值

测试集

LSTM回归模型

  R方

0.9714

均方误差

1530.1298

可解释方差值

0.972

平均绝对误差

28.1525

从上表可以看出,R方0.9714,为模型效果较好。

关键代码如下:

7.2 真实值与预测值对比图

Python实现FA萤火虫优化算法优化循环神经网络回归模型(LSTM回归算法)项目实战_第13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FA萤火虫优化算法寻找LSTM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。  

# 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/1KsCYlUucE1P3HrGEUMSQrQ 
提取码:2kgw


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,机器学习,FA萤火虫优化算法,LSTM回归模型,深度学习)