整体目标：完成我国三大城市群（粤港澳大湾区、长三角城市群和京津冀城市群）暴雨内涝事件网页数据的收集、数据预处理、数据分析、模型评价和结果可视化。 算法技能目标：能够应用机器学习、统计分析的相关算法。 编程技能目标：能够使用python语言进行数据的处理、分析和建模；能够使用html和java script进行可视化。 思政目标：深刻认识我国城市暴雨内涝灾害现状，建立防灾意识。 代码采用 Python 实现，非常有吸引力，而且图表非常美观

最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）是一种在机器学习领域广泛应用的模型，尤其在时间序列预测中表现出色。它通过最小化平方误差来求解支持向量机问题，相比于原始的支持向量机，计算速度更快且更容易处理大规模数据。在本项目中，黏菌算法（Slime Mould Algorithm, SMA）被用来优化LSSVM的参数，以提升预测精度。 黏菌算法是一种受到自然界黏菌觅食行为启发的生物优化算法。黏菌能够通过其分布和信息素浓度的变化寻找食物源，该算法在解决复杂的优化问题时展现出良好的全局寻优能力。在本案例中，SMA被用于调整LSSVM的核参数和正则化参数，以达到最佳预测性能。 评价模型预测效果的指标有： 1. R2（决定系数）：衡量模型拟合度的指标，值越接近1表示模型拟合度越好，越接近0表示模型解释变量的能力越弱。 2. MAE（平均绝对误差）：平均每个样本点的预测误差的绝对值，越小说明模型的预测误差越小。 3. MSE（均方误差）：所有预测误差的平方和的平均值，同样反映模型预测的准确性，与MAE相比，对大误差更敏感。 4. RMSE（均方根误差）：MSE的平方根，也是误差的标准差，常用于度量模型的精度。 5. MAPE（平均绝对百分比误差）：预测值与真实值之差占真实值的比例的平均值，适合处理目标变量具有不同尺度的问题。 项目提供的代码文件包括： - SMA.m：黏菌算法的实现代码，包含算法的核心逻辑。 - main.m：主程序，调用SMA和LSSVM进行训练和预测。 - fitnessfunclssvm.m：适应度函数，评估黏菌算法中的个体（即LSSVM参数组合）的优劣。 - initialization.m：初始化黏菌个体的位置，即随机生成LSSVM的参数。 - data_process.m：数据预处理模块，可能包含数据清洗、归一化等操作。 - 使用说明.png、使用说明.txt：详细介绍了如何运行和使用该项目，包括数据加载、模型训练和预测等步骤。 - windspeed.xls：示例数据集，可能是风速数据，用于演示模型的预测能力。 - LSSVMlabv：LSSVM工具箱，提供了LSSVM模型的实现和相关函数。 通过对这些文件的理解和使用，学习者可以深入理解LSSVM的工作原理，掌握黏菌算法的优化过程，并了解如何利用这些工具进行时间序列预测。同时，该模型的评价指标和代码结构为其他类似预测问题提供了可参考的框架。

基于鲸鱼算法优化BP神经网络(WOA-BP)的时间序列预测，matlab代码。 模型评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于遗传算法优化BP神经网络(GA-BP)的时间序列预测，matlab代码。 模型评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

分类评估指标 混淆矩阵 accuracy（准确率） 衡量模型分类准确的指标，具有很大的局限性，一般不用。 提高阈值，精确率有所提高，召回率有所降低。 precision（精确率） 表示预测为正的样本数有多少是对的 TP/TP+FP

基于机器学习算法的NT-proBNP灰值患者心力衰竭判别模型评价.pdf

数据挖掘原理与SPSS_Clementine应用宝典.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第1章 数据挖掘概述.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第2章 数据挖掘可挖掘的知识类型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第3章 数据挖掘的体系结构与模型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第4章 数据选择.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第5章 数据预处理.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第6章 回归分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第7章 贝叶斯分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第8章 聚类分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第9章 决策树算法.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第10章 关联规则.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第11章 粗糙集理论.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第12章 神经网络.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第13章 遗传算法.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第14章 支持向量机.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第15章 复杂对象数据挖掘.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第16章 数据挖掘建模.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第17章 数据挖掘模型评价.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第18章 SPSS Clementine基础.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第19章 SPSS Clementine数据管理.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第20章 数据的图形化展示.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第21章 数据模型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第22章 数据挖掘结果的输出.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第23章 数据挖掘项目实施.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第24章 SPSS_Clementine典型案例分析.ppt

用R实现多种主流的机器学习方法进行，对信用卡违约率进行机器学习建模、模型评价和调参