Python实现贝叶斯优化器(Bayes

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

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BP神经网络分类算法来解决分类问题。

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

从上图可以看到总共有9个字段。

关键代码

3.2缺失值统计

使用Pandas工具的info()方法统计每个特征缺失情况

从上图可以看到数据不存在缺失值总数据量为2000条。

关键代码

3.3变量描述性统计分析

通过Pandas工具的describe()方法来来统计变量的平均值、标准差、最大值、最小值、分位数等信息

关键代码如下

4.探索性数据分析

4.1y变量分类柱状图

用Pandas工具的value_counts().plot()方法进行统计绘图图形化展示如下

从上面图中可以看到分类为0和1的样本数量基本一致。

4.2y变量类型为1 x1变量分布直方图

通过Matpltlib工具的hist()方法绘制直方图

从上图可以看出x1主要集中在-1到1之间。

4.3 相关性分析

通过Pandas工具的corr()方法和seaborn工具的heatmap()方法绘制相关性热力图

从图中可以看到正数为正相关负数为负相关绝对值越大相关性越强。

5.特征工程

5.1建立特征数据和标签数据

y为标签数据除 y之外的为特征数据。关键代码如下

5.2数据集拆分

数据集集拆分分为训练集和测试集80%训练集和20%测试集。关键代码如下

6.构建贝叶斯优化器优化BP神经网络分类模型

主要使用基于贝叶斯优化器优化BP神经网络分类算法用于目标分类。

6.1构建调优模型

6.2最优参数展示

寻优的过程信息

最优参数结果展示

6.3最优参数构建模型

训练过程信息

模型的摘要信息

模型的网络结构信息

损失曲线图与准确率曲线图展示

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、召回率、F1分值等等。

从上表可以看出F1分值为0.9677说明此模型效果较好。

关键代码如下

7.2分类报告

BP神经网络分类模型的分类报告

从上图可以看到分类类型为0的F1分值为0.97分类类型为1的F1分值为0.97整个模型的准确率为0.97。

7.3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5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基于贝叶斯优化器优化BP神经网络分类模型最终证明了我们提出的模型效果良好。

---

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

---