＃ - * -コーディング：UTF-8 - * - ""」 月3月9日午前13時24分〇七秒2020で作成されました @author：管理者 「」」 から scipy.io インポートloadmat から sklearn.ensemble インポートRandomForestRegressor から sklearn.neural_networkのインポートMLPRegressor から sklearn.svm インポートSVRの インポートのNPとしてnumpyの インポートPLTのようmatplotlib.pyplot インポートMPLとしてmatplotlibの から sklearn.metricsのインポートr2_score から sklearnのインポートメトリック mpl.rcParams [ ' font.sans-セリフ' ] = [ ' カイティ' ] mpl.rcParams [ ' font.serif ' ] = [ ' カイティ' ] ＃は中国のmatplotlibのを表示できない問題解決 plt.rcParamsを[ ' axes.unicode_minus ' ] = Falseの ＃は、問題の負の表示座標解決 位[2]元29、請求ランダム森+ データ= loadmat（' original_data.mat ' ） train_data =データ[ ' train_data ' ] train_label = DATA [ ' train_label ' ] .reshape（-1,1） ＃のデータセットとなる（-1、n）は、n番目のカラムとなる TEST_DATA = DATA [ ' TEST_DATA ' ] test_label =データ[ ' test_label ' ] .reshape（-1,1 ） ＃（1、-1）RESHAPEデータセットは、行になり（N、-1）：n行目となる RFL = RandomForestRegressor（MAX_DEPTH = 2、random_state = 0 ） rf1.fit（train_data、train_label.ravel（）） test_pred1 = rf1.predict（TEST_DATA）.reshape（-1,1 ） plt.figure（） plt.plot（test_label、' - * '、ラベル= ' 真' ） plt.plot（test_pred1、' -p '、ラベル= ' preict ' ） plt.title（' ランダムフォレストにより、29 + ' ） plt.xlabel（" 試験試料" ） plt.ylabel（' 残りの人生/ H ' ） plt.legend（） plt.show（） ＃計算指標が 印刷（' ランダムフォレストを特徴オリジナル+ 29 ' ） ＃MAPE test_mape = np.mean（np.abs（（test_pred1-test_label）/ test_label））を ＃RMSE test_rmse = np.sqrt（np.mean（NP .square（test_pred1- test_label））） ＃メイ test_mae = np.mean（np.abs（test_pred1- test_label）） ＃R2 test_r2 = r2_score（test_label、test_pred1） プリント（「オリジナル+ 29ランダムフォレストテストセットMAPE特徴： 'test_mape、 ' RMSE： 'test_rmse、 ' メイ： 'test_mae、 'R2：" 、test_r2） ＃で[3] KPCA回帰に+ランダムフォレスト データ = loadmat（' kpca_data.mat ' ） train_data =データ[ ' train_data ' ] train_label =データ[ ' train_label ' ] .reshape（-1,1 ） TEST_DATA =データ[ ' TEST_DATA ' ] test_label =データ[ ' test_label ' ] .reshape（-1,1 ） RF2 = RandomForestRegressor（MAX_DEPTH = 10、random_state = 0） rf2.fit（train_data、train_label.ravel（）） ＃ラヴェルは、一次元の多次元なる test_pred2 = rf2.predict（TEST_DATA）.reshape（-1,1 ） plt.figure（） plt.plot（test_label、' - * '、ラベル= ' 真' ） plt.plot（test_pred2、' -p '、ラベル= ' preict ' ） （plt.title ' KPCA +ランダム森林に対する' ） plt.xlabel（" 試験試料" ） plt.ylabel（' 残りの人生/ H ' ） plt.legend（） plt.show（） 印刷（' KPCA +ランダム森林' ） ＃MAPE test_mape = np.mean（np.abs（（test_pred2-test_label）/ test_label）） ＃RMSE ＃test_rmse = np.sqrt（np.mean（np.square（test_pred2-test_label））） test_rmse = np.sqrt（ metrics.mean_squared_error（test_label、test_pred2）） ＃メイ test_mae = np.mean（np.abs（test_pred2- test_label）） ＃R2 test_r2 = r2_score（test_label、test_pred2） プリント（' KPCA +随机森林测试集的MAPE：'、test_mape 、' RMSE：'、test_rmse、' メイ：'、test_mae、' R2：'、test_r2） ＃で[4] + KPCA SVR回帰 RF3 SVR =（C = 100、ガンマ= 1 ） rf3.fit（train_data、train_label.ravel（）） test_pred3 = rf3.predict（TEST_DATA）.reshape（-1,1 ） plt.figure（） plt.plot（test_label、' - * '、ラベル= ' 真' ） plt.plot（test_pred3、' -p '、ラベル= ' preict ' ） plt.title（' KPCA + SVR ' ） plt.xlabel（" 試験試料" ） plt.ylabel（' 残りの人生/ H ' ） plt.legend（） plt.show（） 印刷（' KPCA + SVR ' ） ＃MAPE test_mape = np.mean（np.abs（（test_pred3-test_label）/ test_label）） ＃RMSE test_rmse = np.sqrt（np.mean（np.square（test_pred3- test_label）） ） ＃メイ test_mae = np.mean（np.abs（test_pred3- test_label）） ＃R2 test_r2 = r2_score（test_label、test_pred3） プリント（' KPCA + SVR测试集的MAPE：'、test_mape、' RMSE：'、test_rmse、' メイ：'、test_mae、' R2：'、test_r2） ＃で[]ビデオ一緒に plt.figure（） plt.plot（test_label、' - * '、ラベル= ' 真' ） plt.plot（test_pred1、' -p '、ラベル= ' ランダム森' ） plt.plot（test_pred2、' -s '、ラベル= ' KPCA +ランダム森林に対する' ） plt.plot（test_pred3、' -o '、ラベル= ' KPCA + SVR ' ） plt.title（' 様々な比較' ） plt.xlabel（" 試験試料" ） plt.ylabel（' 残りの人生/ H ' ） plt.legend（） plt.show（）