Python实现SMA黏菌优化算法优化循环神经网络回归模型(LSTM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

黏菌优化算法（Slime mould algorithm，SMA）由Li等于2020年提出，其灵感来自于黏菌的扩散和觅食行为，属于元启发算法。具有收敛速度快，寻优能力强的特点。主要模拟了黏菌的扩散及觅食行为，利用自适应权重模拟了基于生物振荡器的“黏菌传播波”产生正反馈和负反馈的过程，形成具有良好的探索能力和开发倾向的食物最优连接路径，因此具有较好的应用前景。 

本项目通过SMA黏菌优化算法优化LSTM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变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

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 数据样本增维

数据样本增加维度后的数据形状：

6.构建SMA黏菌优化算法优化LSTM回归模型 

主要使用SMA黏菌优化算法优化LSTM回归算法，用于目标回归。 

6.1 SMA黏菌优化算法寻找最优参数值 

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R方、均方误差、解释性方差、绝对误差等等。

从上表可以看出，R方分值为0.9679，说明模型效果比较好。

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，模型效果良好。  

8.结论与展望

综上所述，本文采用了SMA黏菌优化算法寻找LSTM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：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：
 
链接：https://pan.baidu.com/s/1FjxTjgpEoHmD8I9Dodh6ng 
提取码：rnns