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
2019年Heidari等人提出哈里斯鹰优化算法(Harris Hawk Optimization, HHO)，该算法有较强的全局搜索能力，并且需要调节的参数较少的优点。
本项目通过HHO哈里斯鹰优化算法寻找最优的参数值来优化XGBoost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9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变量直方图
用Matplotlib工具的hist()方法绘制直方图：
从上图可以看到，y变量主要集中在-400~400之间。
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HHO哈里斯鹰优化算法优化XGBoost回归模型
主要使用HHO哈里斯鹰优化算法优化XGBoost回归算法，用于目标回归。
6.1 HHO哈里斯鹰优化算法寻找的最优参数
关键代码：
每次迭代的过程数据：
最优参数：
6.2 最优参数值构建模型
7.模型评估
7.1 评估指标及结果
评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。
从上表可以看出，R方0.9094，为模型效果良好。
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，模型拟合效果良好。
8.结论与展望
综上所述，本文采用了HHO哈里斯鹰优化算法寻找XGBoost回归模型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。
# 定义转换函数
def binary_conversion(X, thres, N, dim):
Xbin = np.zeros([N, dim], dtype='int') # 位置初始化为0
for i in range(N): # 循环
for d in range(dim): # 循环
if X[i, d] > thres: # 判断
Xbin[i, d] = 1 # 赋值
else:
Xbin[i, d] = 0 # 赋值
return Xbin # 返回数据
# ******************************************************************************
# 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
# ******************************************************************************
# 定义错误率计算函数
def error_rate(X_train, y_train, X_test, y_test, x, opts):
if abs(x[0]) > 0: # 判断取值
n_estimators = int(abs(x[0])) + 100 # 赋值
else:
n_estimators = int(abs(x[0])) + 100 # 赋值
if abs(x[1]) > 0: # 判断取值
learning_rate = (int(abs(x[1])) + 1) / 10 # 赋值
else:
learning_rate = (int(abs(x[1])) + 1) / 10 # 赋值更多项目实战，详见机器学习项目实战合集列表：
机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客
