文章目錄

01 內容概要

XGBoost屬于集成學習中的Boosting方法，其基本思想是：
逐步構建多個弱學習器（通常是CART決策樹），每一棵樹都試圖糾正前一棵樹的殘差（預測誤差），最終將所有樹的輸出加權求和，得到強學習器。

02 部分代碼

%%  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
%%  導入數據
res = xlsread('數據集.xlsx');
%%  劃分訓練集和測試集
temp = randperm(103);
P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);
P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
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);
%%  建立模型
model = xgboost_train(p_train, t_train, params, num_trees);
%%  預測
t_sim1 = xgboost_test(p_train, model);
t_sim2 = xgboost_test(p_test , model);

03 代碼解讀

下面把代碼拆成 8 個關鍵動作，每步用 2-3 句話“展開”說明，方便你快速對應到腳本里的位置。
1.清空環境
關掉彈窗、清變量、清命令行，防止上一趟跑完的圖或數據干擾這次結果。
2.讀 Excel
xlsread 把整個數字區域一次性讀進矩陣 res，行是樣本，列是“7 個特征 + 1 個目標”。
3.隨機拆 80/23
randperm(103) 做隨機索引，前 80 行當訓練集，后 23 行當測試集，避免人為挑數據帶來的偏倚。
4.歸一化到 0-1
mapminmax 把 7 維特征和 1 維目標分別線性壓縮到 [0,1]；訓練集得到的“映射結構” ps_input/ps_output 會被保存下來，保證測試集和反歸一化時用的是同一套比例，防止信息泄露。
5.搭 XGBoost 參數并訓練
把學習率、樹深度、任務類型(reg:linear)寫進結構體 params，再告訴它迭代 100 輪；xgboost_train 返回的 model 就是一棵“加法樹” ensemble。
6.預測 + 反歸一化
用 xgboost_test 對訓練集和測試集各跑一次，得到 0-1 區間的預測值；接著用 mapminmax('reverse', ...) 把數據拉回原始量綱，才能跟真實值算誤差。
7.算誤差、畫兩張折線
RMSE 看整體偏差，R2 看擬合度，MAE 看平均絕對誤差，MBE 看系統偏高還是偏低；折線圖把真實值與預測值按樣本順序擺在一起，一眼就能瞧見哪里跑偏。
8.畫散點圖
橫軸真值、縱軸預測，理想情況下點應落在對角線上；散點圖比折線圖更能直觀看出“在哪個區間模型容易高估或低估”。

04 運行結果

05 基于XGBoost算法的數據回歸預測源碼

提供了Matlab的實現代碼，使得用戶可以根據自己的需求進行調整和應用。
Matlab代碼下載地址