Predicción de regresión | MATLAB implementa el algoritmo genético GA-ELM para optimizar la predicción de regresión de salida única de múltiples entradas de máquinas de aprendizaje extremo (multiindicadores, múltiples gráficos)

Predicción de regresión | MATLAB implementa el algoritmo genético GA-ELM para optimizar la predicción de regresión de salida única de múltiples entradas de máquinas de aprendizaje extremo (multiindicadores, múltiples gráficos)

Lista de efectos

introducción básica

Predicción de regresión | MATLAB implementa el algoritmo genético GA-ELM para optimizar la predicción de regresión de salida única de entrada múltiple de máquina de aprendizaje extremo (indicador múltiple, mapa múltiple), características múltiples de entrada, variable única de salida, predicción de regresión de salida única de 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 genético GA-ELM Máquina de aprendizaje extremo Predicción de regresión de entrada única y salida múltiple (indicador múltiple, gráfico múltiple) .

%%  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