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

蝙蝠算法是2010年杨教授基于群体智能提出的启发式搜索算法，是一种搜索全局最优解的有效方法。该算法基于迭代优化，初始化为一组随机解，然后迭代搜寻最优解，且在最优解周围通过随机飞行产生局部新解，加强局部搜索速度。该算法具有实现简单、参数少等特点。

混合蝙蝠算法针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。

本项目通过HBA混合蝙蝠智能算法优化BP神经网络分类模型。

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%测试集进行划分，关键代码如下：

6.构建HBA混合蝙蝠优化算法优化BP神经网络分类模型

主要使用HBA混合蝙蝠优化算法优化BP神经网络分类算法，用于目标分类。

6.1 HBA混合蝙蝠优化算法寻找的最优参数   

最优参数：

6.2 最优参数值构建模型

 

6.3 最优参数模型摘要信息

 

6.4 最优参数模型网络结构

 

6.5 最优参数模型训练集测试集损失和准确率曲线图

 

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0.855，说明模型效果较好。

关键代码如下：

7.2 分类报告

 

从上图可以看出，分类为0的F1分值为0.85；分类为1的F1分值为0.85。

7.3 混淆矩阵

从上图可以看出，实际为0预测不为0的 有19个样本；实际为1预测不为1的 有39个样本，整体预测准确率良好。  

8.结论与展望

综上所述，本文采用了HBA混合蝙蝠智能优化算法寻找循环神经网络BP神经网络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预测。

# 初始化种群、初始解
Sol = np.zeros((N_pop, d))  # 初始化位置
Fitness = np.zeros((N_pop, 1))  # 初始化适用度
for i in range(N_pop):  # 迭代种群
    Sol[i] = np.random.uniform(Lower_bound, Upper_bound, (1, d))  # 生成随机数
    Fitness[i] = objfun(Sol[i])  # 适用度



# ******************************************************************************
 
# 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
 
# *****************************************************************************



#  y变量柱状图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
# kind='bar' 绘制柱状图
df['y'].value_counts().plot(kind='bar')
plt.xlabel("y变量")
plt.ylabel("数量")

---

 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

---