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
灰狼优化算法(GWO)，由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。灵感来自于灰狼群体捕食行为。优点：较强的收敛性能，结构简单、需要调节的参数少，容易实现，存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。缺点：存在着易早熟收敛，面对复杂问题时收敛精度不高，收敛速度不够快。
灰狼群体中有严格的等级制度，一小部分拥有绝对话语权的灰狼带领一群灰狼向猎物前进。灰狼群一般分为4个等级： 
（权利从大到小）模拟领导阶层。集体狩猎是灰狼的一种社会行为，社会等级在集体狩猎过程中发挥着重要的作用，捕食的过程在 
的带领下完成。主要包括三个步骤：
l 跟踪和接近猎物
l 骚扰、追捕和包围猎物，直到它停止移动
l 攻击猎物
本项目通过GWO灰狼优化算法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：
编号 |
变量名称 |
描述 |
1 |
x1 |
|
2 |
x2 |
|
3 |
x3 |
|
4 |
x4 |
|
5 |
x5 |
|
6 |
y |
因变量 |
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6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 变量y分布直方图
用Matplotlib工具的hist()方法绘制直方图：
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GWO灰狼优化算法优化支持向量机回归模型
主要使用GWO灰狼优化算法优化SVR算法，用于目标回归。
6.1 GWO灰狼优化算法寻找的最优参数
关键代码：
每次迭代的过程数据：
通过上图可以看出，每次迭代灰狼的位置数据。
模型准确率曲线图：
通过上图可以看到，迭代3次之后准确率基本趋于平稳。
最优参数：
6.2 最优参数值构建模型
编号 |
模型名称 |
参数 |
1 |
支持向量机回归模型 |
C=7.972066605432158 |
2 |
gamma=5.21569744395915 |
7.模型评估
7.1评估指标及结果
评估指标主要包括可均方误差、均方根误差、R方值等等。
模型名称 |
指标名称 |
指标值 |
测试集 |
||
支持向量机回归模型 |
均方根误差 |
3.7084774449628406 |
均方误差 |
13.75280495979812 |
|
标准化均方根误差 |
0.0049831731321725884 |
|
R方 |
0.9993328560614397 |
|
从上表可以看出，R方的数值为0.999，说明模型的效果较好。
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基本一致，说明模型效果较好。
8.结论与展望
综上所述，本文采用了GWO灰狼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： # 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/1xbKpBvv3lkJeeRBgvxfm5w 提取码：4yw9
