回歸預測 | Matlab實現DBO-LightGBM蜣螂算法優化輕量級梯度提升機多輸入單輸出回歸預測，作者：機器學習之心

預測效果

基本介紹

DBO-LightGBM蜣螂算法優化輕量級梯度提升機多輸入單輸出回歸預測Matlab實現

1.data為數據集，7個輸入特征，1個輸出特征，運行環境Matlab2018b及以上；

2.優化參數為葉子節點數 學習率 樹的深度;

3.main.m為主程序文件，其余為函數文件，無需運行。

4.命令窗口輸出MAE、MAPE、RMSE和R2，可在下載區獲取數據和程序內容。

5.代碼特點：參數化編程、參數可方便更改、代碼編程思路清晰、注釋明細。

（Light Gradient Boosting Machine）是一款基于決策樹算法的分布式梯度提升框架。為了滿足工業界縮短模型計算時間的需求，LightGBM的設計思路主要是兩點：減小數據對內存的使用，保證單個機器在不犧牲速度的情況下，盡可能地用上更多的數據；減小通信的代價，提升多機并行時的效率，實現在計算上的線性加速。
注:僅支持Windows 64位系統

程序設計

• 完整源碼和數據獲取方式：私信博主回復Matlab實現DBO-LightGBM蜣螂算法優化輕量級梯度提升機多輸入單輸出回歸預測（Matlab完整源碼和數據）。

%%  清空環境變量
warning off             % 關閉報警信息
close all               % 關閉開啟的圖窗
clear                   % 清空變量
clc                     % 清空命令行%% 添加工具箱路徑 加載工具箱
addpath("toolbox\") 
loadlibrary('lib_lightgbm.dll', 'c_api.h')%%  導入數據
res = xlsread('數據集.xlsx');%%  數據分析
num_size = 0.7;                              % 訓練集占數據集比例
outdim = 1;                                  % 最后一列為輸出
num_samples = size(res, 1);                  % 樣本個數
res = res(randperm(num_samples), :);         % 打亂數據集（不希望打亂時，注釋該行）
num_train_s = round(num_size * num_samples); % 訓練集樣本個數
f_ = size(res, 2) - outdim;                  % 輸入特征維度%%  劃分訓練集和測試集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);%%  數據歸一化
[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);%%  矩陣轉置
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

參考資料

[1] https://blog.csdn.net/kjm13182345320/category_11003178.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/117378431
[3] https://blog.csdn.net/kjm13182345320/article/details/118253644