系部网站开发计划,wordpress路径优化,室内设计效果图大全,wordpress edit说明#xff1a;这是一个机器学习实战项目#xff08;附带数据代码文档视频讲解#xff09;#xff0c;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
蝴蝶优化算法(butterfly optimization algorithm, BOA)是Arora 等人于2019年提出的一种元启发式智能算…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
蝴蝶优化算法(butterfly optimization algorithm, BOA)是Arora 等人于2019年提出的一种元启发式智能算法。该算法受到了蝴蝶觅食和交配行为的启发蝴蝶接收/感知并分析空气中的气味以确定食物来源/交配伙伴的潜在方向。
蝴蝶利用它们的嗅觉、视觉、味觉、触觉和听觉来寻找食物和伴侣这些感觉也有助于它们从一个地方迁徙到另一个地方逃离捕食者并在合适的地方产卵。在所有感觉中嗅觉是最重要的它帮助蝴蝶寻找食物通常是花蜜。蝴蝶的嗅觉感受器分散在蝴蝶的身体部位如触角、腿、触须等。这些感受器实际上是蝴蝶体表的神经细胞被称为化学感受器。它引导蝴蝶寻找最佳的交配对象以延续强大的遗传基因。雄性蝴蝶能够通过信息素识别雌性蝴蝶信息素是雌性蝴蝶发出的气味分泌物会引起特定的反应。 通过观察发现蝴蝶对这些来源的位置有非常准确的判断。此外它们可以辨识出不同的香味并感知它们的强度。蝴蝶会产生与其适应度相关的某种强度的香味即当蝴蝶从一个位置移动到另一个位置时它的适应度会相应地变化。当蝴蝶感觉到另一只蝴蝶在这个区域散发出更多的香味时就会去靠近这个阶段被称为全局搜索。另外一种情况当蝴蝶不能感知大于它自己的香味时它会随机移动这个阶段称为局部搜索。
本项目通过BOA蝴蝶优化算法优化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) 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变量分布直方图
用Matplotlib工具的hist()方法绘制直方图 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 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BOA蝴蝶优化算法优化LSTM回归模型
主要使用BOA蝴蝶优化算法优化LSTM回归算法用于目标回归。
6.1 BOA蝴蝶优化算法寻找最优参数值
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回归模型 unitsbest_units 2 epochsbest_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R方、均方误差、解释性方差、绝对误差等等。 模型名称 指标名称 指标值 测试集 LSTM回归模型 R方 0.9262 均方误差 2058.5686 解释方差分 0.9262 绝对误差 32.9346
从上表可以看出R方分值为0.9262说明模型效果比较好。
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效果良好。
8.结论与展望
综上所述本文采用了BOA蝴蝶优化算法寻找LSTM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# 获取方式一# 项目实战合集导航https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tabBB08J2# 获取方式二链接https://pan.baidu.com/s/1Ex3ys6JTbT4zoyyKbnXLkw
提取码r10d
