Python实现FA萤火虫优化算法优化支持向量机分类模型(SVC算法)项目实战

张陈亚

已于 2023-10-21 19:28:02 修改

阅读量863 机器学习 python 文章标签： python 毕业设计项目

于 2022-12-29 21:37:09 首次发布

本文链接：https://blog.csdn.net/weixin_42163563/article/details/128488226

python 同时被 2 个专栏收录

587 篇文章 121 订阅

机器学习

429 篇文章 285 订阅

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 algorithm，FA）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支持向量机分类模型。

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：

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9个变量，数据中无缺失值，共1000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变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

4.2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

4.3 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支持向量机分类模型

主要使用FA萤火虫优化算法优化SVC算法，用于目标分类。

6.1 算法介绍

说明：FA算法介绍来源于网络，供参考,需要更多算法原理，请自行查找资料。

(1)算法原理:

在FA中,萤火虫发出光亮的主要目的是作为一个信号系统,以吸引其他的萤火虫个体,其假设为:

1) 萤火虫不分性别,它将会被吸引到所有其他比它更亮的萤火虫那去;

2) 萤火虫的吸引力和亮度成正比,对于任何两只萤火虫,其中一只会向着比它更亮的另一只移动,然而,亮度是随着距离的增加而减少的;

3) 如果没有找到一个比给定的萤火虫更亮,它会随机移动。

如上所述,萤火虫算法包含两个要素,即亮度和吸引度。亮度体现了萤火虫所处位置的优劣并决定其移动方向,吸引度决定了萤火虫移动的距离,通过亮度和吸引度的不断更新,从而实现目标优化。从数学角度对萤火虫算法的主要参数进行如下描述：

(1)萤火虫的相对荧光亮度为：

其中,I0 为萤火虫的最大萤光亮度,与目标函数值相关,目标函数值越优自身亮度越高;γ为光强吸收系数,荧光会随着距离的增加和传播媒介的吸收逐渐减弱; ri,j 为萤火虫i与j之间的空间距离。

(2)萤火虫的吸引度为:

其中,β0 为最大吸引度; γ为光强吸收系数; ri,j 为萤火虫i与j之间的空间距离。

(3)萤火虫i被吸引向萤火虫j移动的位置更新公式如式(3)所示:

其中,xi ，xj 为萤火虫i和j所处的空间位置;α∈[0,1] 为步长因子;rand为[0,1]上服从均匀分布的随机数。

算法步骤如下：

(1)初始化萤火虫算法参数。

(2)计算各萤火虫的亮度并排序得到亮度最大的萤火虫位置。

(3)判断迭代是否结束：判断是否达到最大迭代次数 T ，达到则转（4），否则转（5）。

(4)输出亮度最大的萤火虫位置及其亮度。

(5)更新萤火虫位置：根据式（3）更新萤火虫的位置，对处在最佳位置的萤火虫进行随机扰动，搜索次数增加1 ，转（2），进行下一次搜索。

6.2 FA萤火虫优化算法寻找最优参数值

关键代码：

迭代过程数据(部分截图)：

最优参数：

6.3 最优参数值构建模型

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。

从上表可以看出，F1分值为0.8826，说明模型效果良好。

关键代码如下：

7.2 查看是否过拟合

从上图可以看出，训练集和测试集分值相当，无过拟合现象。

7.3 分类报告

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0.88。

7.4 混淆矩阵

从上图可以看出，实际为0预测不为0的有8个样本；实际为1预测不为1的有17个样本，整体预测准确率良好。

8.结论与展望

综上所述，本项目采用了FA萤火虫优化算法寻找支持向量机SVC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/1bRq8jVJTUBTjgzhh433M5g 
# 提取码：88ni

# 用Pandas工具查看数据
print(df.head())

# 查看数据集摘要
print(df.info())

# 数据描述性统计分析
print(df.describe())

#  y变量柱状图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
# kind='bar' 绘制柱状图
df['y'].value_counts().plot(kind='bar')
plt.xlabel("y变量")
plt.ylabel("数量")
plt.title('y变量柱状图')
plt.show()