Python实现FA萤火虫优化算法优化XGBoost回归模型(XGBRegressor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。

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XGBoost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)：

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：

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：

       

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。

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：

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

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：

6.构建FA萤火虫优化算法优化XGBoost回归模型

主要使用FA萤火虫优化算法优化XGBoost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	XGBoost回归模型	n_estimators=best_n_estimators
2		learning_rate=best_learning_rate

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
XGBoost回归模型	R方	0.9292
	均方误差	2779.288
	可解释方差值	0.9292
	平均绝对误差	41.0782

从上表可以看出，R方0.9292，说明模型效果较好。

关键代码如下：

7.2 真实值与预测值对比图

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XGBoost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/1KQVwGT7dhYMpsgDEFQVoFA 
提取码：upub

---

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

---