摩杰登录
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/8306f27afae148aeb5ac22b4b1e2a2d8.png)
![](https://img-blog.csdnimg.cn/img_convert/3816ce8de2c444e5bf96c75a07c90af3.png)
贝叶斯优化器 (BayesianOptimization) 是一种黑盒子优化器,用来寻找最优参数。
贝叶斯优化器是基于高斯过程的贝叶斯优化,算法的参数空间中有大量连续型参数,运行时间相对较短。
贝叶斯优化器目标函数的输入必须是具体的超参数,而不能是整个超参数空间,更不能是数据、算法等超参数以外的元素。
本项目使用基于贝叶斯优化器(Bayes_opt)优化循环神经网络回归算法来解决回归问题。
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/81eb84ef5e06420e8ac170803a423351.png)
数据详情如下(部分展示):
![](https://img-blog.csdnimg.cn/img_convert/7cf07c4e4ad34e4b8acd8d17622ff68b.png)
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/f2d74e39d8e84772855f5aad86a77eea.png)
关键代码:
![](https://img-blog.csdnimg.cn/img_convert/6a5c3881f4d443dd8d69f203bf4dcabd.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/4a447871c07f445aa5b8aadfe873d131.png)
从上图可以看到,总共有10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/d5d82a8ed96e436895226289d4c313be.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/48e2d6e30d71449abe5b59b91c773cd7.png)
关键代码如下:
![](https://img-blog.csdnimg.cn/img_convert/623ac87667e94418b9dca8bef80892b3.png)
4.1 y变量直方图
用Matplotlib工具的hist()方法绘制直方图:
![](https://img-blog.csdnimg.cn/img_convert/0054f03fed1c4114b0f838cca7c33967.png)
从上图可以看到,y变量主要集中在-200~200之间。
4.2相关性分析
![](https://img-blog.csdnimg.cn/img_convert/a8aac638d947488ebd93b4182da50a6b.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。
5.1建立特征数据和标签数据
关键代码如下:
![](https://img-blog.csdnimg.cn/img_convert/7572410eff1b446aba76afc07f5b38b2.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/b9acbc75baf145f2a121c2d88a82dd18.png)
5.3数据样本增维
为满足循环神经网络模型的数据输入要求,需要增加1个维度。
增加维度维度后的训练集与测试集样本形状:
![](https://img-blog.csdnimg.cn/img_convert/44a36163acc84b7db97a2dfe5d940082.png)
主要使用基于贝叶斯优化器优化LSTM回归算法,用于目标回归。
6.1构建调优模型
![](https://img-blog.csdnimg.cn/img_convert/8b46826fb4b4418a901d7ca138bc0deb.png)
6.2最优参数展示
寻优的过程信息:
![](https://img-blog.csdnimg.cn/img_convert/a80abc19a82a4c48bd42c034fea13578.png)
最优参数结果展示:
![](https://img-blog.csdnimg.cn/img_convert/27ec6c8cad0240479ae9c6d149208ca0.png)
![](https://img-blog.csdnimg.cn/img_convert/760b84b2c344496aa52bd1d2c1990bb4.png)
6.3最优参数构建模型
![](https://img-blog.csdnimg.cn/img_convert/d19f311199a14d0baa23be774e5de1fa.png)
训练过程信息:
![](https://img-blog.csdnimg.cn/img_convert/1e73066ad27d4c5a9ec6039c8aefb2d7.png)
模型的摘要信息:
![](https://img-blog.csdnimg.cn/img_convert/7f6ae4701a3c4732b3af36a8acc9da23.png)
模型的网络结构信息:
![](https://img-blog.csdnimg.cn/img_convert/2bd6d9a6497f463ea6ddb66003a6c972.png)
损失曲线图展示:
![](https://img-blog.csdnimg.cn/img_convert/bd08c398de4a49d5b99684629d686b7f.png)
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。
![](https://img-blog.csdnimg.cn/img_convert/283fb9a92a954e30a8aaebac7b91a581.png)
从上表可以看出,R方0.9906,为模型效果较好。
关键代码如下:
![](https://img-blog.csdnimg.cn/img_convert/c271d57654ef410f9ae6009eaa02ce0d.png)
7.2真实值与预测值对比图
![](https://img-blog.csdnimg.cn/img_convert/d1aa2eb758f346108f73f75e819b8bad.png)
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。
综上所述,本文采用了贝叶斯优化器优化循环神经网络LSTM回归模型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。