如何做网站镜像,seo工作职责,深圳优化网站排名,企业网站建设的文献回归预测 | MATLAB实现基于ELM-Adaboost极限学习机结合AdaBoost多输入单输出回归预测 目录 回归预测 | MATLAB实现基于ELM-Adaboost极限学习机结合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实现基于ELM-Adaboost极限学…回归预测 | MATLAB实现基于ELM-Adaboost极限学习机结合AdaBoost多输入单输出回归预测 目录 回归预测 | MATLAB实现基于ELM-Adaboost极限学习机结合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实现基于ELM-Adaboost极限学习机结合AdaBoost多输入单输出回归预测 2.运行环境为Matlab2018b 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main.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、MSE、MAE、MAPE和MBE多指标评价。 模型描述 ELM-Adaboost极限学习机结合AdaBoost多输入单输出回归预测是一种基于机器学习和集成学习的预测方法其主要思想是将极限学习机ELM和AdaBoost算法相结合通过多输入单输出回归模型进行预测。 具体流程如下 数据预处理对原始数据进行清洗、归一化和分割等预处理步骤。 特征提取利用ELM模型对数据进行特征提取得到多个特征向量作为AdaBoost算法的输入。 AdaBoost模型训练利用AdaBoost算法对多个特征向量进行加权组合得到最终的预测结果。 模型评估对预测结果进行评估包括均方误差MSE、平均绝对误差MAE等指标。 模型优化根据评估结果对模型进行优化可以尝试调整ELM模型的参数、改变AdaBoost算法的参数等。 预测应用将优化后的模型应用于实际预测任务中进行实时预测。 该方法的优点在于ELM模型可以提取数据特征而AdaBoost算法可以有效地利用多个特征向量进行加权组合提高预测准确率。同时该方法不仅适用于单一数据源的预测任务也可以应用于多数据源的集成预测任务中。缺点在于该方法对数据量和计算资源的要求较高需要大量的训练数据和计算能力。 程序设计
完整源码和数据获取方式私信回复ELM-Adaboost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
