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萤火虫优化算法优化循环神经网络分类模型。
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变量柱状图
用Matplotlib工具的plot()方法绘制柱状图：
4.2 y=1样本x1变量分布直方图
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。
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：
6.构建FA萤火虫优化算法优化LSTM分类模型
主要使用FA萤火虫优化算法优化LSTM分类算法，用于目标分类。
6.1 FA萤火虫优化算法寻找最优的参数值
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分类模型 |
units=best_units |
|
2 |
epochs=best_epochs |
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
7.模型评估
7.1 评估指标及结果
评估指标主要包括准确率、查准率、查全率、F1分值等等。
|
模型名称 |
指标名称 |
指标值 |
|
测试集 |
||
|
LSTM分类模型 |
准确率 |
0.8350 |
|
查准率 |
0.8533 |
|
|
查全率 |
0.801 |
|
|
F1分值 |
0.8263 |
|
从上表可以看出，F1分值为0.8350，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0.84；分类为1的F1分值为0.83。
7.3 混淆矩阵
从上图可以看出，实际为0预测不为0的 有27个样本；实际为1预测不为1的 有39个样本，整体预测准确率良好。
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循环神经网络LSTM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。
# 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/18fd5YEIMAAiuBWnzuC7BBQ
提取码：3uwj
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
原文地址:https://blog.csdn.net/weixin_42163563/article/details/134648741
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_294.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
