Hinweis: Dies ist einmaschinelles Lernprojekt (wird mit Daten + Code + Dokumentation + geliefert). Video-Erklärung), wenn SieDaten + Code + Dokumentation + Video-Erklärung benötigen, können Sie direkt zum Ende gehen des Artikels, um ihn zu bekommen.
1.Elementhintergrund
Der Waloptimierungsalgorithmus (WOA) ist ein neuer Schwarmintelligenzoptimierungsalgorithmus, der 2016 von Mirjalili et al. von der Griffith University in Australien vorgeschlagen wurde. Zu seinen Vorteilen gehören die einfache Bedienung, wenige anzupassende Parameter und die Möglichkeit, aus dem lokalen Optimum herauszuspringen. starke Fähigkeit.
Dieses Projekt optimiert das LightGBM-Klassifizierungsmodell durch den WOA-Waloptimierungsalgorithmus.
2.Nummernerfassung
Die Modellierungsdaten für diesen Zeitraum stammen aus dem Internet (zusammengestellt vom Autor dieses Projekts). Die Statistiken der Datenelemente lauten wie folgt:
Seriennummer |
Variablennamen |
beschreiben |
1 |
x1 |
|
2 |
x2 |
|
3 |
x3 |
|
4 |
x4 |
|
5 |
x5 |
|
6 |
x6 |
|
7 |
x7 |
|
8 |
x8 |
|
9 |
x9 |
|
10 |
x10 |
|
11 |
Und |
abhängige Variable |
Die Datendetails lauten wie folgt (teilweise angezeigt):
3.Datenvorverarbeitung
3.1 用PundasTools
Verwenden Sie die head()-Methode des Pandas-Tools, um die ersten fünf Datenzeilen anzuzeigen:
Schlüsselcode:
3.2 Ansicht mit fehlenden Daten
Verwenden Sie die info()-Methode des Pandas-Tools, um Dateninformationen anzuzeigen:
Wie Sie dem Bild oben entnehmen können, gibt es insgesamt 11 Variablen, keine fehlenden Werte in den Daten und insgesamt 1.000 Daten.
Schlüsselcode:
3.3Berechnung der Zahlenvorschrift
Verwenden Sie die Methode discover() des Pandas-Tools, um den Mittelwert, die Standardabweichung, den Minimalwert, das Quantil und den Maximalwert der Daten anzuzeigen.
Der Schlüsselcode lautet wie folgt:
4.Explorative Datenanalyse
4.1y Spaltenmuster ändern
Verwenden Sie die plot()-Methode des Matplotlib-Tools, um ein Histogramm zu zeichnen:
4.2 y=1 Stichprobe x1 Variablenverteilungshistogramm
Verwenden Sie die hist()-Methode des Matplotlib-Tools, um ein Histogramm zu zeichnen:
4.3 Kompatibilitätsanalyse
Wie aus der obigen Abbildung ersichtlich ist, ist die Korrelation umso stärker, je größer der Wert ist. Positive Werte sind positive Korrelationen und negative Werte sind negative Korrelationen.
5.Spezieller Expeditionsprozess
5.1 Feature-Daten und Beschriftungsdaten erstellen
Der Schlüsselcode lautet wie folgt:
5.2 Datensatzaufteilung
Die Methode train_test_split () wird verwendet, um 80 % des Trainingssatzes und 20 % des Testsatzes zu teilen. Der Schlüsselcode lautet wie folgt:
6. Konstruieren Sie den WOA-Waloptimierungsalgorithmus, um das LightGBM-Klassifizierungsmodell zu optimieren
Der WOA-Waloptimierungsalgorithmus wird hauptsächlich zur Optimierung des LightGBM-Klassifizierungsalgorithmus für die Zielklassifizierung verwendet.
6.1 Der WOA-Waloptimierungsalgorithmus findet optimale Parameterwerte
Optimale Parameter:
6.2 Modell mit optimalen Parameterwerten erstellen
Seriennummer |
Modellname |
Parameter |
1 |
LightGBM-Klassifizierungsmodell |
n_estimators=best_n_estimators |
2 |
learning_rate=best_learning_rate |
7. Modellbewertung
7.1 Bewertungsindikatoren und Ergebnisse
Zu den Bewertungsindikatoren gehören hauptsächlich Genauigkeit, Präzision, Rückruf, F1-Score usw.
Modellname |
Indikatorname |
Indexwert |
Testsatz |
||
LightGBM-Klassifizierungsmodell |
Genauigkeit |
0,9700 |
Präzision |
0,97 |
|
Rückrufrate |
0,97 |
|
F1-Ergebnis |
0,97 |
Wie aus der obigen Tabelle ersichtlich ist, beträgt der F1-Score 0,97, was darauf hinweist, dass das Modell effektiv ist.
Der Schlüsselcode lautet wie folgt:
7.2 Klassifizierungsbericht
Wie aus der obigen Abbildung ersichtlich ist, beträgt der F1-Score für die Klassifizierung 0 0,97; der F1-Score für die Klassifizierung 1 beträgt 0,97.
7.3 Verwirrungsmatrix
Wie aus der obigen Abbildung ersichtlich ist, gibt es 3 Stichproben, die tatsächlich 0 sind und nicht als 0 vorhergesagt werden. Es gibt 3 Stichproben, die tatsächlich 1 sind und nicht als 1 vorhergesagt werden. Die Vorhersagegenauigkeit ist insgesamt gut.
8.Ausblick zum Fazit
Zusammenfassend lässt sich sagen, dass in diesem Artikel der WOA-Waloptimierungsalgorithmus verwendet wird, um die optimalen Parameterwerte des LightGBM-Klassifizierungsalgorithmus zu finden und ein Klassifizierungsmodell zu erstellen, was letztendlich beweist, dass das von uns vorgeschlagene Modell gut funktioniert. Dieses Modell kann für Vorhersagen von Alltagsprodukten verwendet werden.
# 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/1i1DZ3EMy0RL9loJ0N7n5Ow
提取码:rw5e
Weitere praktische Projekte finden Sie in der Liste praktischer Machine-Learning-Projekte: