Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战

admin2024-04-03  0

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。

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第1张

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第2张

1.项目背景

蝴蝶优化算法(butterfly optimization algorithm, BOA)是Arora 等人于2019年提出的一种元启发式智能算法。该算法受到了蝴蝶觅食和交配行为的启发,蝴蝶接收/感知并分析空气中的气味,以确定食物来源/交配伙伴的潜在方向。

蝴蝶利用它们的嗅觉、视觉、味觉、触觉和听觉来寻找食物和伴侣,这些感觉也有助于它们从一个地方迁徙到另一个地方,逃离捕食者并在合适的地方产卵。在所有感觉中,嗅觉是最重要的,它帮助蝴蝶寻找食物(通常是花蜜)。蝴蝶的嗅觉感受器分散在蝴蝶的身体部位,如触角、腿、触须等。这些感受器实际上是蝴蝶体表的神经细胞,被称为化学感受器。它引导蝴蝶寻找最佳的交配对象,以延续强大的遗传基因。雄性蝴蝶能够通过信息素识别雌性蝴蝶,信息素是雌性蝴蝶发出的气味分泌物,会引起特定的反应。

  通过观察,发现蝴蝶对这些来源的位置有非常准确的判断。此外,它们可以辨识出不同的香味,并感知它们的强度。蝴蝶会产生与其适应度相关的某种强度的香味,即当蝴蝶从一个位置移动到另一个位置时,它的适应度会相应地变化。当蝴蝶感觉到另一只蝴蝶在这个区域散发出更多的香味时,就会去靠近,这个阶段被称为全局搜索。另外一种情况,当蝴蝶不能感知大于它自己的香味时,它会随机移动,这个阶段称为局部搜索。

本项目通过BOA蝴蝶优化算法优化卷积神经网络分类模型。   

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:

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): 

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第3张

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:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第4张

关键代码:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第5张

3.2数据缺失查看

使用Pandas工具的info()方法查看数据信息:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第6张

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:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第7张

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。

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第8张

关键代码如下:  

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第9张

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:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第10张

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:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第11张

4.3 相关性分析

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第12张

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:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第13张

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:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第14张

5.3 数据样本增维

数据样本增加维度后的数据形状:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第15张

6.构建BOA蝴蝶优化算法优化CNN分类模型

主要使用BOA蝴蝶优化算法优化CNN分类算法,用于目标分类。

6.1 BOA蝴蝶优化算法寻找最优参数值

最优参数:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第16张

6.2 最优参数值构建模型 

编号

模型名称

参数

1

CNN分类模型

units=best_units

2

epochs=best_epochs

6.3 最优参数模型摘要信息

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第17张

6.4 最优参数模型网络结构

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第18张

6.5 最优参数模型训练集测试集损失和准确率曲线图

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第19张

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。

模型名称

指标名称

指标值

测试集

CNN分类模型

准确率

0.8325

查准率

0.8626

查全率

0.7889

F1分值

0.8241

从上表可以看出,F1分值为0.8241,说明模型效果良好。

关键代码如下:

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第20张

7.2 分类报告

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第21张

从上图可以看出,分类为0的F1分值为0.84;分类为1的F1分值为0.82。

7.3 混淆矩阵

Python实现BOA蝴蝶优化算法优化卷积神经网络分类模型(CNN分类算法)项目实战,第22张

从上图可以看出,实际为0预测不为0的 有25个样本;实际为1预测不为1的 有42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BOA蝴蝶优化算法寻找CNN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:
 
# 获取方式一:
 
# 项目实战合集导航:
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二:

链接:https://pan.baidu.com/s/1xvWJNro737r1GTtJbElvHg 
提取码:1mlz
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明原文出处。如若内容造成侵权/违法违规/事实不符,请联系SD编程学习网:675289112@qq.com进行投诉反馈,一经查实,立即删除!