数学建模强心剂丨改进后混沌粒子群算法优化4种机器学习分类模型+交叉验证+新数据预测结果输出
本期资料,关注微信公众号【橙子数据军团】后台回复“强心剂””
摘要
今天给大家带来一套我熬夜通宵肝出来的代码
利用改进后的混沌粒子群优化算法(IPSO),去优化4种机器学习分类预测模型
分别是SVM支持向量机、DT决策树、KNN最邻近、BP神经网络,
可以实现多种可视化的模型性能对比,并提供多种分类误差指标
包含交叉验证,及结果的多种可视化展示
并可通过替换EXCEL表数据的形式完成模型构建和新数据的预测,
给大家的建模比赛和科研任务打上强心剂!!!!
:::
1.部分细节提示
① 交叉验证的必要性
-
交叉验证用于评估模型的预测性能,尤其是训练好的模型在新数据上的表现,可以在一定程度上减小过拟合。
-
还可以从有限的数据中获取尽可能多的有效信息。
-
一定注意调参不用测试集,测试集不参与模型训练,对训练集进行交叉验证,指导参数调整,尤其适合样本量较少时。
② PSO粒子群改进策略
- 为克服既往初始化中的盲目性,采用Sinusoidal混沌映射策略执行种群初始化
③ 优化的超参数详细解释等
- SVM支持向量机:采用高斯核函数,可优化超参数包括核尺度 (0.001~1000)和框约束 (0.001~1000)
- DT决策树:分裂准则采用:基尼多样性指数,可优化超参数为:最大分裂数(1~训练样本数-1)
- K最邻近(KNN):距离度量:欧几里得距离,优化超参数:邻点个数:(1~训练样本数-1)
- BPNN神经网络:采用单隐含层,激活函数使用常用的ReLu激活函数,可优化超参数:隐含层数量(150)、正则化强度(0.00110)
④分类误差指标输出
- 宏平均(macro AVG)、微平均 (micro AVG)、查准率(precision)、灵敏性(sensitivity)、特异性(specificity)、准确率(accuracy)、F1分数(F-measure)、AUC值
⑤TIPS
- 注意修改代码注释,防查重
- 注意MATLAB版本尽量2021以后
- 注意标签使用数字替代,从1开始
2.代码视频讲解
【数学建模强心剂】改进后混沌粒子群算法优化4种机器学习分类模型+交叉验证+新数据预测结果输出
3.部分代码文件截图
4.部分结果可视化展示
5.资料获取
关注微信公众号【橙子数据军团】,并在后台回复“强心剂”