Predicción de regresión | MATLAB implementa el algoritmo luciérnaga FA-ELM para optimizar la predicción de regresión de múltiples entradas y salidas de máquinas de aprendizaje extremo (multiindicadores, múltiples mapas)

Predicción de regresión | MATLAB implementa el algoritmo luciérnaga FA-ELM para optimizar la predicción de regresión de múltiples entradas y salidas de máquinas de aprendizaje extremo (multiindicadores, múltiples mapas)

Lista de efectos

introducción básica

Predicción de regresión | MATLAB implementa el algoritmo de luciérnaga FA-ELM para optimizar la predicción de regresión de entrada única y salida múltiple de la máquina de aprendizaje extremo (indicador múltiple, mapa múltiple), características múltiples de entrada, variable única de salida, predicción de regresión de salida única y entrada múltiple; evaluación de indicadores múltiples,
calidad del código extremadamente alta; datos de Excel, fácil de reemplazar, entorno operativo 2018 y superior.

programación

• Código fuente completo y método de adquisición de datos: respuesta de mensaje privado Optimización del algoritmo de luciérnaga FA-ELM Máquina de aprendizaje extremo Predicción de regresión de salida única de múltiples entradas (múltiples indicadores, múltiples gráficos) .

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res = xlsread('data.xlsx');

%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);



%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test);

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

%%  均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);



%%  相关指标计算
% 决定系数 R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])

% 平均绝对误差 MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

% 平均相对误差 MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])

Referencias

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718