基于RandomForest预测模型
特色:1、单变量,多变量输入,自由切换
2、单步预测,多步预测,自动切换
3、基于Pytorch架构
4、多个评估指标(MAE,MSE,R2,MAPE等)
5、数据从excel文件中读取,更换简单
6、标准框架,数据分为训练集、验证集,测试集
全部完整的代码,保证可以运行的代码看这里。
http://t.csdn.cn/obJlChttp://t.csdn.cn/obJlC
!!!如果第一个链接打不开,请点击个人首页,查看我的个人介绍。
(搜索到的产品后,点头像,就能看到全部代码)
黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主
Random Forest 模型是一种基于集成学习的决策树算法。与传统的决策树算法不同,它不是通过一个单一的决策树来划分数据集,而是通过集成多个决策树来进行分类或回归,最终结果选择分类或回归的众数或平均数。随机森林在解决分类和回归问题中表现出色,具有很高的准确度和稳定的性能。
随机森林的优点包括:
- 随机森林采用多个决策树对数据进行集成,能够更准确地分类和回归,并且具有很高的鲁棒性。
- 随机森林能够自动处理不良特征(例如缺失值、异常值),不需要进行特征规范化或特征缩放。
除此之外,随机森林还很好地处理了过拟合的问题。随机森林的多样性来自于数据的随机性(通过随机选择待选特征和训练样本)和模型的随机性(通过随机的决策树的生长过程)。
因此,随机森林模型是一种适用于分类和回归问题的强有力模型,在金融、医疗、电商等领域应用广泛。
train_ratio = 0.7 # 训练集比例
val_ratio = 0.15 # 验证集比例
test_ratio = 0.15 # 测试集比例
input_length = 48 # 输入数据长度,多步预测建议长,单步预测建议短
output_length = 1 # 输出数据长度,1为单步预测,1以上为多步预测 请注意,随着输出长度的增长,模型训练时间呈指数级增长
learning_rate = 0.1 # 学习率
estimators = 100 # 迭代次数
max_depth = 5 # 树模型的最大深度
interval_length = 2000 # 预测数据长度,最长不可以超过总数据条数
scalar = True # 是否使用归一化
scalar_contain_labels = True # 归一化过程是否包含目标值的历史数据
target_value = 'load' # 需要预测的列名,可以在excel中查看