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。
![](https://img-blog.csdnimg.cn/img_convert/3902d3afedc14729aa93552b994223a5.png)
![](https://img-blog.csdnimg.cn/img_convert/dfecb69cc9d94a95982196836c55171b.png)
1.项目背景
灰狼优化算法(GWO),由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。灵感来自于灰狼群体捕食行为。优点:较强的收敛性能,结构简单、需要调节的参数少,容易实现,存在能够自适应调整的收敛因子以及信息反馈机制,能够在局部寻优与全局搜索之间实现平衡,因此在对问题的求解精度和收敛速度方面都有良好的性能。缺点:存在着易早熟收敛,面对复杂问题时收敛精度不高,收敛速度不够快。
灰狼群体中有严格的等级制度,一小部分拥有绝对话语权的灰狼带领一群灰狼向猎物前进。灰狼群一般分为4个等级:αβδω(权利从大到小)模拟领导阶层。集体狩猎是灰狼的一种社会行为,社会等级在集体狩猎过程中发挥着重要的作用,捕食的过程在α的带领下完成。主要包括三个步骤:
跟踪和接近猎物
骚扰、追捕和包围猎物,直到它停止移动
攻击猎物
本项目通过GWO灰狼优化算法优化LSTM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:
![](https://img-blog.csdnimg.cn/img_convert/f8a42384f35d46d59fd6c2f67041bb52.png)
数据详情如下(部分展示):
![](https://img-blog.csdnimg.cn/img_convert/06011e30ce6d4523a63d38e84c2dc007.png)
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:
![](https://img-blog.csdnimg.cn/img_convert/c6ac79d09fce4924902e055dff6dbab5.png)
关键代码:
![](https://img-blog.csdnimg.cn/img_convert/bf5a8cd352df4dddbb620e4604a4b107.png)
3.2数据缺失查看
使用Pandas工具的info()方法查看数据信息:
![](https://img-blog.csdnimg.cn/img_convert/cc1cf3f35f994b54a3220f87ccdd08e0.png)
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:
![](https://img-blog.csdnimg.cn/img_convert/ecd49d659601443eaa857de6e670a725.png)
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。
![](https://img-blog.csdnimg.cn/img_convert/bf57d80c5d3b4d679204962f2583f79c.png)
关键代码如下:
![](https://img-blog.csdnimg.cn/img_convert/ebae8fe00c3242e0b578c97c51d3dcd7.png)
4.探索性数据分析
4.1 y变量柱状图
用Matplotlib工具的plot()方法绘制直方图:
![](https://img-blog.csdnimg.cn/img_convert/5bb3b8d542bd4ac08eb9cc6899ecd6ca.png)
4.2y=1样本x1变量分布直方图
用Matplotlib工具的hist()方法绘制直方图:
![](https://img-blog.csdnimg.cn/img_convert/841edd8d965c4c998b5b98696ecf825f.png)
4.3相关性分析
![](https://img-blog.csdnimg.cn/img_convert/518ef13ed2d04d1fa42bb13592efed13.png)
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:
![](https://img-blog.csdnimg.cn/img_convert/4126c791c3cc41fabfd552f3f34ba0f6.png)
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:
![](https://img-blog.csdnimg.cn/img_convert/bbaa3bf29d914068a390648e8c42d92e.png)
5.3数据样本增维
数据样本增加维度后的数据形状:
![](https://img-blog.csdnimg.cn/img_convert/5e03f91022204b82bde476e8b4f03e51.png)
6.构建GWO灰狼优化算法优化LSTM分类模型
主要使用GWO灰狼优化算法优化LSTM分类算法,用于目标分类。
6.1GWO灰狼优化算法寻找的最优参数
关键代码:
![](https://img-blog.csdnimg.cn/img_convert/d13d504824a744b4a13902e955105b6b.png)
每次迭代的过程数据:
![](https://img-blog.csdnimg.cn/img_convert/6a666cdd6a0c48029dbf07e969a809d7.png)
最优参数:
![](https://img-blog.csdnimg.cn/img_convert/339490dd6d6140399b5ec1ace5292935.png)
6.2最优参数值构建模型
![](https://img-blog.csdnimg.cn/img_convert/94199611f5c2491190146f976de7f10d.png)
6.3最优参数模型摘要信息
![](https://img-blog.csdnimg.cn/img_convert/52310320dbfe4668bf9fe527901c5dab.png)
6.4最优参数模型网络结构
![](https://img-blog.csdnimg.cn/img_convert/165b352013a84a6096646393c050baad.png)
6.5最优参数模型训练集测试集损失和准确率曲线图
![](https://img-blog.csdnimg.cn/img_convert/6eed825fd4094bbaabfb3e589e6f2a18.png)
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。
![](https://img-blog.csdnimg.cn/img_convert/95ec4d3a52404ba09af1453642f2029f.png)
从上表可以看出,F1分值为0.8486,说明模型效果较好。
关键代码如下:
![](https://img-blog.csdnimg.cn/img_convert/19875b3890424c108e1ed8523c579dc3.png)
7.2分类报告
![](https://img-blog.csdnimg.cn/img_convert/1a21a3cce7ad42b2ab67dc50b7d1430c.png)
从上图可以看出,分类为0的F1分值为0.87;分类为1的F1分值为0.85。
7.3混淆矩阵
![](https://img-blog.csdnimg.cn/img_convert/9ea9d15d2dcc44acb6b79e043aa7dd32.png)
从上图可以看出,实际为0预测不为0的 有40个样本;实际为1预测不为1的 有16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GWO灰狼优化算法寻找LSTM分类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/1c6mQ_1YaDINFEttQymp2UQ
提取码:thgk
更多项目实战,详见机器学习项目实战合集列表:
https://blog.csdn.net/weixin_42163563/article/details/127714353