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
GRU是循环神经网络(RNN)的一种变体,旨在解决传统RNN中的梯度消失和梯度爆炸问题,同时简化了结构,提高了训练效率。GRU通过引入门控机制来控制信息的遗忘和更新过程,具体包括重置门(reset gate)和更新门(update gate)。
Transformer是一种基于自注意力(Self-Attention)机制的架构,最初由Vaswani等人在2017年提出,主要用于自然语言处理任务,尤其是机器翻译。它摒弃了传统的循环结构,完全依赖于自注意力机制和位置编码来处理序列数据,这使得它能够并行处理所有位置的信息,极大地加速了训练速度。
结合GRU和Transformer的模型,可以综合两者的优点:GRU擅长处理序列中的长期依赖,而Transformer擅长捕捉全局上下文和并行处理,提高效率。
本项目通过GRU-Transformer算法来构建GRU-Transformer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:
|------------|--------------|------------|
| 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 | 因变量 |
数据详情如下(部分展示):
3. 数据预处理
3.1 用P andas 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 归一化
关键代码如下:
5. 4 数据样本增维
数据样本增加维度后的数据形状:
6. 构建 GRU-Transformer 回归 模型
主要使用GRU-Transformer算法来构建回归模型,用于目标回归。
6. 1 模型 参数信息
|------------|---------------------|---------------------|
| 编号 | 模型名称 | 参数 |
| 1 | GRU-Transformer回归模型 | num_heads=4 |
| 2 | GRU-Transformer回归模型 | key_dim=10 |
| 3 | GRU-Transformer回归模型 | learning_rate=0.001 |
| 4 | GRU-Transformer回归模型 | epochs=50 |
6. 2 模型摘要信息
6. 3 模型网络结构
6. 4 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。
|---------------------|--------------|-------------|
| 模型名称 | 指标名称 | 指标值 |
| 测试集 |||
| GRU-Transformer回归模型 | R方 | 0.857 |
| GRU-Transformer回归模型 | 均方误差 | 0.0037 |
| GRU-Transformer回归模型 | 解释方差分 | 0.8858 |
| GRU-Transformer回归模型 | 绝对误差 | 0.0483 |
从上表可以看出,R方分值为0.857,说明模型效果良好。
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GRU-Transformer回归算法来构建回归模型,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。