回归预测合集|基于灰狼优化21个机器学习和深度学习的数据回归预测Matlab程序 多特征输入单输出
文章目录
- 一、清单
- 二、实验结果
- 三、核心代码
- 四、代码获取
- 五、总结
一、清单
基于灰狼优化BP神经网络的数据预测Matlab程序GWO–BP
基于灰狼优化卷积神经网络的数据预测Matlab程序GWO–CNN
基于灰狼优化长短期记忆神经网络的数据预测Matlab程序GWO–LSTM/BiLSTM/GRU
基于灰狼优化深度神经网络的数据预测Matlab程序GWO–DNN
基于灰狼优化极限学习机的数据预测Matlab程序GWO–ELM
基于灰狼优化随机森林的数据预测Matlab程序GWO–RF
基于灰狼优化核极限学习机的数据预测Matlab程序GWO–KELM
基于灰狼优化深度极限学习机的数据预测Matlab程序GWO–DELM
基于灰狼优化正则化极限学习机的数据预测Matlab程序GWO–RELM
基于灰狼优化径向基神经网络的数据预测Matlab程序GWO–RBF
基于灰狼优化支持向量机的数据预测Matlab程序GWO–SVM
基于灰狼优化相关向量机的数据预测Matlab程序GWO–RVM
基于灰狼优化最小二乘支持向量机的数据预测Matlab程序GWO–LSSVM
基于灰狼优化极端梯度提升树的数据预测Matlab程序GWO–Xgboost
基于灰狼优化LightGBM的数据预测Matlab程序GWO–LightGBM
基于灰狼优化混合核极限学习机的数据预测Matlab程序GWO–HKELM
基于灰狼优化高斯过程时间序列的数据预测Matlab程序GWO–GPR
基于灰狼优化卷积–长短期记忆网络-自注意力机制的数据预测Matlab程序GWO–CNN-LSTM-Attention
基于灰狼优化卷积–门控循环单元-自注意力机制的数据预测Matlab程序GWO–CNN-BiGRU-Attention
二、实验结果
1.输入多个特征,输出单个变量,多变量回归预测;
2.excel数据,前6列输入,最后1列输出,运行主程序即可,所有文件放在一个文件夹;
3.命令窗口输出R2、MSE、MAE;
4.可视化:代码提供了可视化工具,用于评估模型性能,包括真实值与预测值的收敛图、对比图、拟合图、残差图。
三、核心代码
%% 导入数据
res = xlsread('数据集.xlsx');%% 数据分析
num_size = 0.8; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度%% 划分训练集和测试集
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);%% 数据归一化
[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);%% 数据平铺
P_train = double(reshape(P_train, f_, 1, 1, M));
P_test = double(reshape(P_test , f_, 1, 1, N));
四、代码获取
代码程序清单如下:
基于灰狼优化BP神经网络的数据预测Matlab程序GWO–BP
基于灰狼优化卷积神经网络的数据预测Matlab程序GWO–CNN
基于灰狼优化长短期记忆神经网络的数据预测Matlab程序GWO–LSTM/BiLSTM/GRU
基于灰狼优化深度神经网络的数据预测Matlab程序GWO–DNN
基于灰狼优化极限学习机的数据预测Matlab程序GWO–ELM
基于灰狼优化随机森林的数据预测Matlab程序GWO–RF
基于灰狼优化核极限学习机的数据预测Matlab程序GWO–KELM
基于灰狼优化深度极限学习机的数据预测Matlab程序GWO–DELM
基于灰狼优化正则化极限学习机的数据预测Matlab程序GWO–RELM
基于灰狼优化径向基神经网络的数据预测Matlab程序GWO–RBF
基于灰狼优化支持向量机的数据预测Matlab程序GWO–SVM
基于灰狼优化相关向量机的数据预测Matlab程序GWO–RVM
基于灰狼优化最小二乘支持向量机的数据预测Matlab程序GWO–LSSVM
基于灰狼优化极端梯度提升树的数据预测Matlab程序GWO–Xgboost
基于灰狼优化LightGBM的数据预测Matlab程序GWO–LightGBM
基于灰狼优化混合核极限学习机的数据预测Matlab程序GWO–HKELM
基于灰狼优化高斯过程时间序列的数据预测Matlab程序GWO–GPR
基于灰狼优化卷积–长短期记忆网络-自注意力机制的数据预测Matlab程序GWO–CNN-LSTM-Attention
基于灰狼优化卷积–门控循环单元-自注意力机制的数据预测Matlab程序GWO–CNN-BiGRU-Attention
五、总结
包括但不限于
优化BP神经网络,深度神经网络DNN,极限学习机ELM,鲁棒极限学习机RELM,核极限学习机KELM,混合核极限学习机HKELM,支持向量机SVR,相关向量机RVM,最小二乘回归PLS,最小二乘支持向量机LSSVM,LightGBM,Xgboost,RBF径向基神经网络,概率神经网络PNN,GRNN,Elman,随机森林RF,卷积神经网络CNN,长短期记忆网络LSTM,BiLSTM,GRU,BiGRU,TCN,BiTCN,CNN-LSTM,TCN-LSTM,BiTCN-BiGRU,LSTM–Attention,VMD–LSTM,PCA–BP等等
用于数据的分类,时序,回归预测。
多特征输入,单输出,多输出