Python实现贝叶斯优化器(Bayes_opt)优化极限学习机分类模型(ELMClassifier算法)项目实战

🕗 发布于 2024-03-08 15:35 python 机器学习 贝叶斯优化器极限学习机分类模型项目实战

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（Bayesian Optimization）是一种全局优化方法，特别适用于那些目标函数昂贵、噪声大或者无法导数的黑盒优化场景。在机器学习模型参数调优中，贝叶斯优化能够有效地搜索超参数空间，以找到最优的模型配置。

将贝叶斯优化器应用到极限学习机分类模型（ELMClassifier）上时，概念可以这样理解：

1)超参数空间：极限学习机包含多个可调节的超参数，例如隐藏层节点数量、激活函数类型、正则化参数等。这些参数组合构成了一个高维搜索空间。

2)目标函数：在本场景下，目标函数通常是评估指标，如交叉验证后的准确率、F1分数或AUC值等，用于衡量经过不同超参数配置训练得到的ELMClassifier模型的性能。

3)贝叶斯优化过程：

(1)代理模型：首先构建一个概率模型（通常是一个高斯过程或树回归模型），该模型作为真实目标函数的代理，并根据已采样点更新其对整个搜索空间的预测分布。

(2)acquisition function：基于代理模型计算一个 acquistion function（如期望改善EI, 乌尔曼指数UCB等），它综合考虑了探索（exploration）和开发（exploitation）策略，指导下一个候选超参数的选择。

(3)迭代优化：循环进行采样、计算目标函数值、更新代理模型以及选择下一个要评估的超参数点，直到达到预设的迭代次数或满足其他停止条件为止。

4)最终结果：通过这样的过程，贝叶斯优化器能够智能地探索极限学习机的超参数空间，找到一组能使得ELMClassifier模型性能最优化的超参数设置，从而提高模型在新数据上的泛化能力。

本项目使用基于贝叶斯优化器(Bayes_opt)优化ELMClassifier分类算法来解决分类问题。

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：

编号	变量名称	描述
1	x1
2	x2
3	x3
4	x4
5	x5
6	x6
7	x7
8	x8
9	x9
10	x10
11	y

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：

从上图可以看到，总共有11个字段。

关键代码：

3.2 缺失值统计

使用Pandas工具的info()方法统计每个特征缺失情况：

从上图可以看到，数据不存在缺失值，总数据量为2000条。

关键代码：

3.3 变量描述性统计分析

通过Pandas工具的describe()方法来来统计变量的平均值、标准差、最大值、最小值、分位数等信息：

关键代码如下：

4.探索性数据分析

4.1 y变量分类柱状图

用Pandas工具的value_counts().plot()方法进行统计绘图，图形化展示如下：

从上面图中可以看到，分类为0和1的样本，数量基本一致。

4.2 y变量类型为1 x1变量分布直方图

通过Matpltlib工具的hist()方法绘制直方图：

从上图可以看出，x1主要集中在-2到2之间。

4.3 相关性分析

通过Pandas工具的corr()方法和seaborn工具的heatmap()方法绘制相关性热力图：

从图中可以看到，正数为正相关，负数为负相关，绝对值越大相关性越强。

5.特征工程

5.1 建立特征数据和标签数据

y为标签数据，除 y之外的为特征数据。关键代码如下：

5.2 数据集拆分

数据集集拆分，分为训练集和测试集，80%训练集和20%测试集。关键代码如下：

6.构建贝叶斯优化器优化极限学习机分类模型

主要使用基于贝叶斯优化器优化极限学习机分类模型，用于目标分类。

6.1 构建调优模型

编号	模型名称	调优参数
1	极限学习机分类模型	n_hidden
2		alpha
3		rbf_width

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

编号	模型名称	调优参数
1	极限学习机分类模型	'n_hidden': (10.0, 30.0)
2		'alpha': (0.3, 0.6)
3		'rbf_width': (0.5, 1.0)

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、召回率、F1分值等等。

模型名称	指标名称	指标值
测试集
极限学习机分类模型	准确率	0.9150
	查准率	0.9886
	召回率	0.8439
	F1分值	0.9105

从上表可以看出，F1分值为0.9105，说明此模型效果较好。