Python实现WOA智能鲸鱼优化算法优化支持向量机回归模型(LinearSVR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

鲸鱼优化算法 (whale optimization algorithm,WOA)是 2016 年由澳大利亚格里菲斯大学的Mirjalili 等提出的一种新的群体智能优化算法，其优点在于操作简单，调整的参数少以及跳出局部最优的能力强。

本项目通过WOA鲸鱼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：

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16个变量，数据中无缺失值。

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%验证集进行划分，关键代码如下：

6.构建WOA鲸鱼优化算法优化支持向量机回归模型

主要使用WOA鲸鱼优化算法优化LinearSVR算法，用于目标回归。

6.1 算法介绍

说明：算法介绍来源于网络，供参考。

鲸鱼优化算法(whale optimization algorithm,WOA)是模仿座头鲸的狩猎行为进而提出的一种新型启发式优化算法。在 WOA 算法中，每只座头鲸的位置代表一个可行解。在海洋活动中，座头鲸有着一种特殊的狩猎方法，这种觅食行为称为bubble-net 捕食策略，其狩猎行为如图所示：

l 包围猎物

座头鲸在狩猎时要包围猎物，为了描述这种行为，Mirjalili 提出了下面的数学模型：

l 狩猎行为

根据座头鲸的狩猎行为，它是以螺旋运动游向猎物，故狩猎行为的数学模型如下：

l 搜索猎物

在搜索猎物时，其数学模型如下：

l 算法流程

（1）初始化参数：即鲸鱼种群规模大小SN，最大迭代次数Tmax；

（2）算法初始化鲸鱼种群的位置；

（3）计算每一头鲸鱼相应的适应度值，根据适应度值的大小排序，并选取SN个作为初始种群；

（4）计算出SN个个体适应度值的大小，找出适应度值最小的个体位置作为最优位置；

（5）更新下一代的位置；

（6）若达到终止条件，则输出最优个体，即算法找到的最优解；否则，返回步骤（4）。

6.2 WOA鲸鱼优化算法寻找最优参数值

关键代码：

每次迭代的过程数据：

通过上图可以看出，每次迭代误差信息。

模型迭代残差曲线图：

第一次迭代：

第二次迭代：

第三次迭代：

第四次迭代：

第五次迭代：

第六次迭代：

第七次迭代：

第八次迭代：

第九次迭代：

第十次迭代：

通过上图可以看到，随着迭代次数增加，残差逐渐减少并趋于平稳。

最优参数：

通过残差曲线图可以看出，最后一次迭代基本是做好的结果。

6.3 最优参数模型预测

这里通过最优参数模型对测试数据集进行预测并绘制残差曲线图。

关键代码：

模型迭代残差曲线图：

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、最大残差、解释性方差等等。

从上表可以看出，解释方差分为0.9221，说明鲸鱼优化的模型效果良好。

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，模型效果良好。

8.结论与展望

综上所述，本文采用了WOA鲸鱼优化算法寻找支持向量机LinearSVR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建模工作。

# 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/1t_VokGXw9MIONOj0UfDKTg 
提取码：li17