回歸預測 | MATLAB實現基于PSO-LSSVM-Adaboost粒子群算法優化最小二乘支持向量機結合AdaBoost多輸入單輸出回歸預測

預測效果

基本介紹

1.Matlab實現PSO-LSSVM-Adaboost多變量回歸預測；
2.運行環境為Matlab2020b；
3.輸入多個特征，輸出單個變量，多變量回歸預測；
4.data為數據集，excel數據，前7列輸入，最后1列輸出，PSO-LSSVM-AdaboostNN.m為主程序，運行即可,所有文件放在一個文件夾；
5.命令窗口輸出R2、MAE、MAPE、RMSE多指標評價；

模型描述

PSO-LSSVM-Adaboost是一種將PSO-LSSVM和AdaBoost兩種機器學習技術結合起來使用的方法，旨在提高模型的性能和魯棒性。具體而言，AdaBoost則是一種集成學習方法，它將多個弱分類器組合起來形成一個強分類器，其中每個分類器都是針對不同數據集和特征表示訓練的。PSO-LSSVM-AdaBoost算法的基本思想是將PSO-LSSVM作為基模型，利用AdaBoost算法對其進行增強。具體而言，我們可以訓練多個PSO-LSSVM模型，每個模型使用不同的數據集和特征表示，然后將它們的預測結果組合起來，形成一個更準確和魯棒的模型。

程序設計

• 完整源碼和數據獲取方式：私信回復SSA-KELM-Adaboost麻雀算法優化核極限學習機結合AdaBoost多輸入單輸出回歸預測。

%% 預測
t_sim1 = predict(net, p_train); 
t_sim2 = predict(net, p_test ); %%  數據反歸一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);%%  均方根誤差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);%%  相關指標計算
%  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(['訓練集數據的R2為：', num2str(R1)])
disp(['測試集數據的R2為：', num2str(R2)])%  MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;disp(['訓練集數據的MAE為：', num2str(mae1)])
disp(['測試集數據的MAE為：', num2str(mae2)])%% 平均絕對百分比誤差MAPE
MAPE1 = mean(abs((T_train - T_sim1')./T_train));
MAPE2 = mean(abs((T_test - T_sim2')./T_test));disp(['訓練集數據的MAPE為：', num2str(MAPE1)])
disp(['測試集數據的MAPE為：', num2str(MAPE2)])%  MBE
mbe1 = sum(abs(T_sim1' - T_train)) ./ M ;
mbe2 = sum(abs(T_sim1' - T_train)) ./ N ;disp(['訓練集數據的MBE為：', num2str(mbe1)])
disp(['測試集數據的MBE為：', num2str(mbe2)])%均方誤差 MSE
mse1 = sum((T_sim1' - T_train).^2)./M;
mse2 = sum((T_sim2' - T_test).^2)./N;disp(['訓練集數據的MSE為：', num2str(mse1)])
disp(['測試集數據的MSE為：', num2str(mse2)])

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501