遗传算法优化支持向量机代码（输出world报告）

加载Excel数据，对用户输入的任务类型（分类或回归）进行支持向量机(SVM)建模。通过遗传算法优化模型的超参数（C和gamma），并生成一份包含模型参数和性能评估指标的报告文档：

1. 加载数据：从Excel文件中读取数据，并进行初步的空值处理。
2. 主成分分析(PCA)：可选的步骤，用户可选择是否使用PCA进行数据降维。
3. 任务选择：用户选择任务类型（分类或回归），并指定目标变量列名。脚本根据任务类型选择合适的模型(SVC或SVR)。
4. 遗传算法优化：利用遗传算法调整支持向量机的参数C和gamma，最大化分类准确率或最小化回归均方误差。
5. 评估模型：对优化后的模型进行训练和测试，计算各项评估指标，包括MSE、RMSE、MAE、MAPE和R²。
6. 生成报告：将模型参数和评估结果写入Word文档，生成详细的报告。

输入格式：每一行为一个样本数据，每一列为一个指标数据
可以在代码中自由调整相关参数

# 定义全局变量以便于调整和调试
DATA_SPLIT_RATIO = 0.2  # 数据划分比例（测试集占比）
DATA_SHUFFLE = True  # 是否进行数据洗牌
CROSS_VALIDATION = True  # 是否进行交叉验证
NGEN = 15  # 遗传算法迭代代数
POP_SIZE = 50  # 种群大小
MUTPB = 0.2  # 突变概率
CXPB = 0.5  # 交叉概率

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC, SVR
from sklearn.metrics import accuracy_score, mean_squared_error, mean_absolute_error, r2_score
from sklearn.model_selection import train_test_split
from deap import base, creator, tools, algorithms
import numpy as np
from docx import Document
import matplotlib.pyplot as plt
import time
import os

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 定义全局变量以便于调整和调试
DATA_SPLIT_RATIO = 0.2  # 数据划分比例（测试集占比）
DATA_SHUFFLE = True  # 是否进行数据洗牌
CROSS_VALIDATION = True  # 是否进行交叉验证
NGEN = 15  # 遗传算法迭代代数
POP_SIZE = 50  # 种群大小
MUTPB = 0.2  # 突变概率
CXPB = 0.5  # 交叉概率

def load_data(file_path):
    # 读取Excel数据
    data = pd.read_excel(file_path)  # 替换为您的数据文件
    data = data.dropna()  # 清除缺失值
    return data

def pca_analysis(X):
    # 数据标准化
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)

    # 主成分分析（PCA）
    pca = PCA(n_components=min(X_scaled.shape))
    pca.fit(X_scaled)
    explained_variance = pca.explained_variance_
    explained_variance_ratio = pca.explained_variance_ratio_
    cumulative_variance = np.cumsum(explained_variance_ratio)

    # 总方差解释表格
    print("总方差解释表格：")
    print("成分\t特征根\t方差解释率(%)\t累积方差解释率(%)")
    for i in range(len(explained_variance)):
        print(f"{
     i + 1}\t{
     explained_variance[i]:.3f}\t{
     explained_variance_ratio[i] * 100:.3f}\t{
     cumulative_variance[i] * 100:.3f}")

    return X_scaled, pca

def ask_user_for_choices(file_path):
    print("\n请查看Excel数据的前几行：")
    data = load_data(file_path)
    print(data.head())

    preprocess = input("数据是否已完成预处理（数据清洗和标准化）？(是/否): ").strip().lower()
    if preprocess != '是':
        print("请先进行数据预处理。")
        return

    task_type = input("请选择任务类型（分类/回归）: ").strip().lower()
    target_c