彩妆网站建设,wordpress导航图标变成框框,wordpress菜单不显示,贵州公司网站建设比选公示回归预测 | MATLAB实现基于PSO-LSSVM-Adaboost粒子群算法优化最小二乘支持向量机结合AdaBoost多输入单输出回归预测 目录 回归预测 | MATLAB实现基于PSO-LSSVM-Adaboost粒子群算法优化最小二乘支持向量机结合AdaBoost多输入单输出回归预测预测效果基本介绍模型描述程序设计参考…回归预测 | MATLAB实现基于PSO-LSSVM-Adaboost粒子群算法优化最小二乘支持向量机结合AdaBoost多输入单输出回归预测 目录 回归预测 | MATLAB实现基于PSO-LSSVM-Adaboost粒子群算法优化最小二乘支持向量机结合AdaBoost多输入单输出回归预测预测效果基本介绍模型描述程序设计参考资料 预测效果 基本介绍 1.Matlab实现PSO-LSSVM-Adaboost多变量回归预测 2.运行环境为Matlab2020b 3.输入多个特征输出单个变量多变量回归预测 4.data为数据集excel数据前7列输入最后1列输出PSO-LSSVM-AdaboostNN.m为主程序运行即可,所有文件放在一个文件夹 5.命令窗口输出R2、MAE、MAPE、RMSE多指标评价 模型描述 PSO-LSSVM-Adaboost是一种将PSO-LSSVM和AdaBoost两种机器学习技术结合起来使用的方法旨在提高模型的性能和鲁棒性。具体而言AdaBoost则是一种集成学习方法它将多个弱分类器组合起来形成一个强分类器其中每个分类器都是针对不同数据集和特征表示训练的。PSO-LSSVM-AdaBoost算法的基本思想是将PSO-LSSVM作为基模型利用AdaBoost算法对其进行增强。具体而言我们可以训练多个PSO-LSSVM模型每个模型使用不同的数据集和特征表示然后将它们的预测结果组合起来形成一个更准确和鲁棒的模型。 程序设计
完整源码和数据获取方式私信回复SSA-KELM-Adaboost麻雀算法优化核极限学习机结合AdaBoost多输入单输出回归预测。
%% 预测
t_sim1 predict(net, p_train);
t_sim2 predict(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
% 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)])% 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)])%% 平均绝对百分比误差MAPE
MAPE1 mean(abs((T_train - T_sim1)./T_train));
MAPE2 mean(abs((T_test - T_sim2)./T_test));disp([训练集数据的MAPE为, num2str(MAPE1)])
disp([测试集数据的MAPE为, num2str(MAPE2)])% MBE
mbe1 sum(abs(T_sim1 - T_train)) ./ M ;
mbe2 sum(abs(T_sim1 - T_train)) ./ N ;disp([训练集数据的MBE为, num2str(mbe1)])
disp([测试集数据的MBE为, num2str(mbe2)])%均方误差 MSE
mse1 sum((T_sim1 - T_train).^2)./M;
mse2 sum((T_sim2 - T_test).^2)./N;disp([训练集数据的MSE为, num2str(mse1)])
disp([测试集数据的MSE为, num2str(mse2)])参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm1001.2014.3001.5501
