1.项目背景
改进的麻雀搜索优化算法针对麻雀搜索算法(SSA)在求解目标函数最优解时，种群多样性不丰富，易陷于局部最优和多维函数求解精度差等问题，提出改进的麻雀搜索算法(ISSA)。首先，利用反向学习策略初始化种群，增加种群多样性；然后，对步长因子进行动态调整，提高算法的求解精度；最后，对侦查预警的麻雀位置更新公式引入 Levy 飞行,提高算法寻优能力和跳出局部极值的能力。
本项目通过ISSA改进的麻雀搜索算法优化支持向量机分类模型。
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10个变量，数据中无缺失值，共1000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变量柱状图
用Matplotlib工具的plot()方法绘制柱状图：
4.2 y=1样本x1变量分布直方图
用Matplotlib工具的hist()方法绘制直方图：
4.3 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%验证集进行划分，关键代码如下：
6.构建ISSA改进的麻雀搜索算法优化支持向量机分类模型
主要使用ISSA改进的麻雀搜索算法优化SVC算法，用于目标分类。
6.1 支持向量机构建模型
通过上表可以看到，未使用麻雀优化算法模型的F1分值为0.8677。
6.2 ISSA改进的麻雀搜索算法寻找最优参数值
关键代码：
每次迭代的过程数据和最优值：
6.3 最优参数构建模型
这里通过最优参数构建支持向量机分类模型。
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、查全率、F1分值等等。
从上表可以看出，F1分值为0.8709，比未使用的支持向量机模型的F1分为高一些，说明改进的麻雀搜索算法优化的的模型效果较好。
关键代码如下：
7.2 查看是否过拟合
从上图可以看出，训练集和测试集分值相当，无过拟合现象。
7.3 分类报告
从上图可以看出，分类为0的F1分值为0.89；分类为1的F1分值为0.87。
7.4 混淆矩阵
从上图可以看出，实际为0预测不为0的 有12个样本；实际为1预测不为1的 有9个样本，整体预测准确率还是可以接受的。
8.结论与展望
综上所述，本文采用了ISSA改进的麻雀搜索算法寻找支持向量机SVC算法的最优参数值来构建分类模型，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建模工作。
# 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/1lBeQcLKj8ZGd721qwK1miQ
# 提取码：314d
# 用Pandas工具查看数据
print(data.head())
# 数据缺失值统计
print('****************************************')
print(data.info())
# 数据描述性统计分析
print('****************************************')
print(data.describe().round(4)) # 保留4位小数点
import matplotlib.pyplot as plt
# y变量柱状图
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# kind='bar' 绘制柱状图
data['y'].value_counts().plot(kind='bar')
plt.xlabel("y变量")
plt.ylabel("数量")
plt.title('y变量柱状图')
plt.show()
