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
随着深度学习技术的发展，尤其是卷积神经网络（Convolutional Neural Networks, CNNs）和循环神经网络（Recurrent Neural Networks, RNNs）的应用越来越广泛。CNNs 在处理图像数据方面表现出了强大的能力，而RNNs 特别是其变种如长短时记忆网络（Long Short-Term Memory, LSTM）则擅长处理序列数据。结合这两种模型的优势，可以有效地解决一些复杂的数据分析问题。
本项目旨在构建一种混合型深度学习模型——卷积神经网络与双向长短时记忆循环神经网络（CNN-BiLSTM）回归模型，用于解决特定领域中的预测任务。通过结合CNN对局部特征的有效提取能力和BiLSTM对时间序列数据的高效处理能力，我们期望能够提高模型对于复杂数据集的预测准确性。
本项目通过基于TensorFlow实现卷积神经网络-双向长短时记忆循环神经网络回归模型(CNN-BiLSTM回归算法)项目实战。
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 | x6 | |
| 7 | x7 | |
| 8 | x8 | |
| 9 | x9 | |
| 10 | x10 | |
| 11 | 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11个变量，数据中无缺失值，共2000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：
5.3 数据样本增维
数据样本增加维度后的数据形状：
6.构建卷积神经网络-双向长短时记忆循环神经网络回归模型
主要使用CNN-BiLSTM回归算法，用于目标回归。
6.1 构建模型
| 编号 | 模型名称 | 参数 |
| 1 | CNN-BiLSTM回归模型 | units=200 |
| 2 | epochs=150 | |
| 3 | filters=5 |
6.2 模型摘要信息
6.3 模型网络结构
6.4 模型训练集测试集损失曲线图
7.模型评估
7.1评估指标及结果
评估指标主要包括R方、均方误差、解释性方差、绝对误差等等。
| 模型名称 | 指标名称 | 指标值 |
| 测试集 | ||
| CNN-BiLSTM回归模型 | R方 | 0.9628 |
| 均方误差 | 1265.2783 | |
| 解释方差分 | 0.9634 | |
| 绝对误差 | 25.5081 | |
从上表可以看出，R方分值为0.9628，说明模型效果比较好。
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，模型效果良好。
8.结论与展望
综上所述，本文采用了CNN-BiLSTM回归算法来构建回归模型，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/1F8a9iA4T57kfgQ02ahcv1A
提取码：ovac
