Python实现贝叶斯优化器(Bayes_opt)优化卷积神经网络回归模型(CNN回归算法)项目实战

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

贝叶斯优化器 (BayesianOptimization) 是一种黑盒子优化器，用来寻找最优参数。

贝叶斯优化器是基于高斯过程的贝叶斯优化，算法的参数空间中有大量连续型参数，运行时间相对较短。

贝叶斯优化器目标函数的输入必须是具体的超参数，而不能是整个超参数空间，更不能是数据、算法等超参数以外的元素。

本项目使用基于贝叶斯优化器(Bayes_opt)优化卷积神经网络回归算法来解决回归问题。

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-200~200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：

5.3样本数据增加维度

样本数据增加维度后的形状：

6.构建贝叶斯优化器优化卷积神经网络回归模型

主要使用基于贝叶斯优化器优化卷积神经网络回归算法，用于目标回归。

6.1构建调优模型

6.2最优参数展示

寻优的过程信息：

最优参数结果展示：

6.3最优参数构建模型

训练过程信息：

模型的摘要信息：

模型的网络结构信息：

损失曲线图展示：

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0.8959，为模型效果较好。

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，模型拟合效果良好。

8.结论与展望

综上所述，本文采用了贝叶斯优化器优化卷积神经网络回归模型算法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。

---

# 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/1gHSezg2ewaij-4FflrtS6w 
# 提取码：n5ns

# 用Pandas工具查看数据
print(df.head())

# 查看数据集摘要
print(df.info())

# 数据描述性统计分析
print(df.describe())

# y变量分布直方图
fig = plt.figure(figsize=(8, 5))  # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
data_tmp = df['y']  # 过滤出y变量的样本
# 绘制直方图  bins：控制直方图中的区间个数 auto为自动填充个数  color：指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g')
plt.xlabel('y')
plt.ylabel('数量')
plt.title('y变量分布直方图')
plt.show()

---