コードを使用した Seagull アルゴリズムに基づく改善されたランダムフォレスト回帰アルゴリズム

記事ディレクトリ

コードを使用した Seagull アルゴリズムに基づく改善されたランダムフォレスト回帰アルゴリズム

要約: ランダムフォレストデータの回帰予測精度を向上させるために、カモメ探索アルゴリズムを使用して、ランダムフォレスト内のツリーの数とリーフポイントの最小数のパラメーターを最適化します。

1.データセット

データ情報は次のとおりです。

data.mat には入力データと出力データが含まれます

入力データの次元: 2000*2

出力データの次元は2000*1

したがって、RF モデルのデータ入力次元は 2 で、出力次元は 1 です。

2. RFモデル

ランダムフォレストについては、関連する機械学習の書籍を参照してください。

3.かもめアルゴリズム最適化に基づくRF

カモメの検索アルゴリズムの特定の原則については、ブログを参照してください: https://blog.csdn.net/u011835903/article/details/107535864

seagull アルゴリズムの最適化パラメーターは、RF 内のツリーの数とリーフノードの最小数です。適合度関数は、トレーニングセットとテストセットでの RF の平均二乗誤差 (MSE) であり、平均二乗誤差 MSE が低いほど優れています。
$フィネス_____= MSE [予測 (列車)]______+ MSE [予測 (検定)]______$

4. 試験結果

データ分割情報は次のとおりです。トレーニングセットの数は 1900 グループ、テストセットの数は 100 グループです。

Seagull パラメータは次のように設定されます。

%% 定义海鸥优化参数
pop=20; %种群数量
Max_iteration=30; %  设定最大迭代次数
dim = 2;%维度，即树个数和最小叶子点树
lb = [1,1];%下边界
ub = [50,20];%上边界
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);

ここに画像の説明を挿入

MSE の結果から、改善された Seagull-RF は、改善されていない結果よりも大幅に優れています。