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
极限学习机（ELMClassifier）算法是一种基于单隐层前馈神经网络（SLFN）的机器学习分类模型。在传统的神经网络中，训练过程通常涉及复杂的反向传播算法来优化网络权重，而极限学习机则采取了不同的策略：
1)极限学习机的基本原理是随机初始化输入层到隐藏层的连接权值和隐藏层节点的偏置，并保持这些参数在整个训练过程中不变。
2)隐藏层的输出矩阵通过一个线性或非线性的激活函数计算得到。
3)训练的目标是找到一个从隐藏层到输出层的最佳映射，使得输出层能准确地拟合训练样本的类别标签。这个最佳映射可以通过求解一个线性系统或者最小化残差平方和来实现，由于问题形式上的特性，可以快速且有效地求解。
4)ELMClassifier利用这种“两步走”的训练方式：首先固定并随机生成隐层参数，然后直接解出最优输出权重，从而大大减少了训练时间，并且在许多情况下能够获得良好的泛化性能。
因此，ELMClassifier是一个用于分类任务的有效工具，尤其适用于那些需要快速训练和高预测精度的应用场景。此外，由于其训练过程不需要梯度迭代，避免了局部最优的问题，而且对于大规模数据集具有较好的可扩展性。同时，还有针对在线学习和动态更新模型的变种如OS-ELM，以适应实时数据流的处理需求。
本项目通过ELMClassifier算法来构建极限学习机分类模型。
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：
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：
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%测试集进行划分，关键代码如下：
6.构建极限学习机分类模型
主要使用ELMClassifier算法，用于极限学习机分类模型。
6.1 构建模型
编号 |
模型名称 |
参数 |
1 |
极限学习机分类模型 |
默认参数 |
6.2 模型预测
关键代码如下：
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。
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 |
0.8225 |
查准率 |
0.8757 |
|
查全率 |
0.7714 |
|
F1分值 |
0.8203 |
|
从上表可以看出，F1分值为0.8203，说明模型效果较好。
关键代码如下：
7.2 分类报告
从上图可以看出，分类为0的F1分值为0.82；分类为1的F1分值为0.82。
7.3 混淆矩阵
从上图可以看出，实际为0预测不为0的 有23个样本；实际为1预测不为1的 有48个样本，整体预测准确率良好。
8.结论与展望
综上所述，本文采用了ELMClassifier算法来构建极限学习机分类模型，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/13MQCnA7TXWxcjjY3PUNEbQ
提取码：c9gn
