怎么做宇宙网站,wordpress lapa,网站开发程序排名,中山品牌网站设计回归预测 | MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测 目录 回归预测 | MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测预测效果基本介绍研究内容程序设计参考资料…回归预测 | MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测 目录 回归预测 | MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测预测效果基本介绍研究内容程序设计参考资料 预测效果 基本介绍 MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测输出为选择的特征序号 Chinese: Options可用的选项即表示的涵义如下 -s svm类型SVM设置类型(默认0) 0 – C-SVC 1 --v-SVC 2 – 一类SVM 3 – e -SVR 4 – v-SVR -t 核函数类型核函数设置类型(默认2) 0 – 线性u’v 1 – 多项式(ru’v coef0)^degree 2 – RBF函数exp(-r|u-v|^2) 3 –sigmoidtanh(ru’v coef0) 经过特征选择后保留特征的序号为 126 160 161 163 165 166 237 239 240 370 评价结果如下所示 平均绝对误差MAE为0.27933 均方误差MSE为 0.15813 均方根误差RMSEP为 0.39765 决定系数R^2为 0.93392 剩余预测残差RPD为 4.2631 平均绝对百分比误差MAPE为 0.0032299 研究内容 基于SVM-RFE-BP的特征选择算法结合BP神经网络的多输入单输出回归预测是一种结合了支持向量机递归特征消除SVM-RFE和反向传播BP神经网络的方法。下面是算法的基本步骤 数据准备准备包含多个输入特征和一个输出变量的训练数据集。确保数据集已经进行了预处理和标准化。 特征选择使用SVM-RFE算法对输入特征进行排序和选择。SVM-RFE是一种递归特征消除算法它通过反复训练支持向量机SVM模型并剔除最不重要的特征直到达到指定的特征数量或达到某个停止准则。 特征提取使用SVM-RFE选择的特征作为输入从训练数据集中提取这些特征。 神经网络构建构建一个BP神经网络模型该模型具有适当的输入层、隐藏层和输出层。输入层的节点数量应与选择的特征数量相同输出层的节点数量为1。 神经网络训练使用特征提取的数据作为输入将输出变量作为目标对BP神经网络进行训练。使用反向传播算法来更新网络的权重和偏置以最小化预测输出与实际输出之间的误差。 预测使用训练好的BP神经网络模型对新的输入特征进行预测。将这些特征输入到训练好的神经网络中得到对应的输出。 这种基于SVM-RFE-BP的方法可以结合支持向量机的特征选择能力和神经网络的非线性建模能力提高回归预测的性能和准确性。然而需要注意的是该方法的效果取决于数据集的特征和特征选择的参数设置因此在实际应用中需要进行适当的调优和验证。 程序设计
完整源码和数据获取方式1私信博主回复SVM-RFE-BP回归或同等价值程序兑换完整程序和数据下载方式2(资源处直接下载)MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测完整程序和数据下载方式3(订阅《智能学习》专栏同时获取《智能学习》专栏收录程序4份数据订阅后私信我获取)MATLAB实现基于SVM-RFE-BP支持向量机递归特征消除特征选择算法结合BP神经网络的多输入单输出回归预测专栏外只能获取该程序。
%% 输出选择特征的对应序号
disp(经过特征选择后保留特征的序号为)
disp(save_index)%% 特征选择后的数据集
p_train p_train(:, save_index);
p_test p_test (:, save_index);%% 矩阵转置适应模型
p_train p_train; p_test p_test;
t_train t_train; t_test t_test;%% 创建网络%% 设置训练参数
net.trainParam.epochs 1000; % 最大迭代次数%% 仿真测试
t_sim1 sim(net, p_train);
t_sim2 sim(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);%% 测试集结果
figure;
plotregression(T_test,T_sim2,[回归图]);
figure;
ploterrhist(T_test-T_sim2,[误差直方图]);
%% 均方根误差 RMSE
error1 sqrt(sum((T_sim1 - T_train).^2)./M);
error2 sqrt(sum((T_test - T_sim2).^2)./N);%%
%决定系数
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;%%
%均方误差 MSE
mse1 sum((T_sim1 - T_train).^2)./M;
mse2 sum((T_sim2 - T_test).^2)./N;
%%
%RPD 剩余预测残差
SE1std(T_sim1-T_train);
RPD1std(T_train)/SE1;SEstd(T_sim2-T_test);
RPD2std(T_test)/SE;
%% 平均绝对误差MAE
MAE1 mean(abs(T_train - T_sim1));
MAE2 mean(abs(T_test - T_sim2));
%% 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));
%% 训练集绘图
figure
%plot(1:M,T_train,r-*,1:M,T_sim1,b-o,LineWidth,1)
plot(1:M,T_train,r-*,1:M,T_sim1,b-o,LineWidth,1.5)
legend(真实值,SVM-RFE预测值)
xlabel(预测样本)
ylabel(预测结果)%% 预测集绘图
figure
plot(1:N,T_test,r-*,1:N,T_sim2,b-o,LineWidth,1.5)
legend(真实值,SVM-RFE预测值)
xlabel(预测样本)
ylabel(预测结果)%% 测试集误差图
figure
ERROR3T_test-T_sim2;
plot(T_test-T_sim2,b-*,LineWidth,1.5)%% 绘制线性拟合图
%% 训练集拟合效果图
figure
plot(T_train,T_sim1,*r);
xlabel(真实值)
ylabel(预测值)title(string)
hold on ;hlsline;
set(h,LineWidth,1,LineStyle,-,Color,[1 0 1])
%% 预测集拟合效果图
figure
plot(T_test,T_sim2,ob);
xlabel(真实值)
ylabel(预测值)
string1 {测试集效果图;[R^2_p num2str(R2) RMSEP
set(h,LineWidth,1,LineStyle,-,Color,[1 0 1])
%% 求平均
R3(R1R2)./2;
error3(error1error2)./2;
%% 总数据线性预测拟合图
tsim[T_sim1,T_sim2];
S[T_train,T_test];
figure
plot(S,tsim,ob);
xlabel(真实值)
ylabel(预测值)
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
