南充网站建设与维护,河北省任免,网上挣钱,外贸常用社交网站有哪些说明#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
萤火虫算法#xff08;Fire-fly algorithm#xff0c;FA#xff09;由剑桥大学Yang于2009年提出 , …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 algorithmFA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LightGBM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LightGBM回归模型
主要使用FA萤火虫优化算法优化LightGBM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 LightGBM回归模型 n_estimatorsbest_n_estimators 2 learning_ratebest_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 LightGBM回归模型 R方 0.9529 均方误差 1540.5081 可解释方差值 0.953 平均绝对误差 30.1685
从上表可以看出R方0.9529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LightGBM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/1kEVSoOYkQJtF_PA6r5trDQ
提取码aepv 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
