Python实现FA萤火虫优化算法优化支持向量机回归模型(SVR算法)项目实战

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回归模型。

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10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变量直方图

用Matplotlib工具的hist()方法绘制直方图：

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

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回归模型

主要使用FA萤火虫优化算法优化SVR算法，用于目标回归。

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

评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。

从上表可以看出，R方1.0，为模型效果较好。

关键代码如下：

 7.2 真实值与预测值对比图

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。   

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SVR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。

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