Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机分类模型(SVC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

改进的麻雀搜索优化算法针对麻雀搜索算法(SSA)在求解目标函数最优解时，种群多样性不丰富，易陷于局部最优和多维函数求解精度差等问题，提出改进的麻雀搜索算法(ISSA)。首先，利用反向学习策略初始化种群，增加种群多样性；然后，对步长因子进行动态调整，提高算法的求解精度；最后，对侦查预警的麻雀位置更新公式引入 Levy 飞行,提高算法寻优能力和跳出局部极值的能力。

本项目通过ISSA改进的麻雀搜索算法优化支持向量机分类模型。  

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：

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变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

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：

4.3 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ISSA改进的麻雀搜索算法优化支持向量机分类模型

主要使用ISSA改进的麻雀搜索算法优化SVC算法，用于目标分类。 

6.1 支持向量机构建模型

通过上表可以看到，未使用改进的麻雀优化算法模型的F1分值为0.8677。

6.2 ISSA改进的麻雀搜索算法寻找最优参数值

关键代码：

每次迭代的过程数据和最优值：

6.3 最优参数构建模型 

这里通过最优参数构建支持向量机分类模型。

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。

从上表可以看出，F1分值为0.8709，比未使用的支持向量机模型的F1分为高一些，说明改进的麻雀搜索算法优化的的模型效果较好。

关键代码如下：

7.2 查看是否过拟合

从上图可以看出，训练集和测试集分值相当，无过拟合现象。

7.3 分类报告

从上图可以看出，分类为0的F1分值为0.89；分类为1的F1分值为0.87。

7.4 混淆矩阵

从上图可以看出，实际为0预测不为0的 有12个样本；实际为1预测不为1的 有9个样本，整体预测准确率还是可以接受的。

8.结论与展望

综上所述，本文采用了ISSA改进的麻雀搜索算法寻找支持向量机SVC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/1lBeQcLKj8ZGd721qwK1miQ 
提取码：314d