Python实现贝叶斯优化器(Bayes_opt)优化支持向量机分类模型(SVC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)优化支持向量机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：

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10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1000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

4.1y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。

4.2y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支持向量机分类模型

主要使用基于贝叶斯优化器优化支持向量机分类算法，用于目标分类。

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：

最优参数组合: C的参数值为： 7.872020435910932 gamma的参数值为： 0.01763788153507379 最优分数： 0.975 验证集准确率： 0.975

6.3最优参数构建模型

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。

从上表可以看出，F1分值为0.982，说明此模型效果较好。

关键代码如下：

7.2分类报告

支持向量机分类模型的分类报告：

从上图可以看到，分类类型为0的F1分值为0.98；分类类型为1的F1分值为0.98；整个模型的准确率为0.98。

7.3混淆矩阵

从上图可以看出，实际为0预测不为0的 有1个样本；实际为1预测不为1的有3个样本，整体预测准确率良好。

8.结论与展望

综上所述，本项目采用了基于贝叶斯优化器优化支持向量机分类模型，最终证明了我们提出的模型效果良好。

---

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/1c6mQ_1YaDINFEttQymp2UQ提取码：thgk

---