多输入多输出 | Matlab实现基于LightGBM多输入多输出预测
预测效果
基本介绍
Matlab实现基于LightGBM多输入多输出预测（完整源码和数据）
1.data为数据集，输入多个特征，输出多个变量。
2.main.m为程序主文件，其他为函数文件无需运行。
3.命令窗口输出MBE、MAE、RMSE、R^2和MAPE，可在下载区获取数据和程序内容。
注意程序和数据放在一个文件夹，运行环境为Matlab2018及以上。文章来源：https://www.toymoban.com/news/detail-810449.html
程序设计
- 完整源码和数据获取方式：私信博主回复Matlab实现基于LightGBM多输入多输出预测。
%% 设置参数
parameters = containers.Map;
parameters('verbose') = 1; % 可视化训练信息
parameters('task') = 'train'; % 训练模型
parameters('num_threads') = 1; % 阈值
parameters('num_leaves') = 4; % 叶子节点数
parameters('boosting_type') = 'gbdt'; % 设置提升类型
parameters('feature_fraction') = 0.9; % 建树的特征选择比例
parameters('bagging_fraction') = 0.8; % 建树的样本采样比例
parameters('objective') = 'regression'; % 回归任务
%% 训练网络
num_boost_round = 20; % 最大迭代次数
early_stopping_rounds = 5; % 早停参数
[booster, bestIteration, metrics, metricNames] = train(pv_train, parameters, num_boost_round, pv_test, early_stopping_rounds);
%% 特征的重要性
importance = booster.importance;
%% 仿真测试
t_sim1 = booster.predictMatrix(p_train, bestIteration);
t_sim2 = booster.predictMatrix(p_test , bestIteration);
%% 数据转置
t_sim1 = t_sim1'; t_sim2 = t_sim2';
%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);
%% 绘制特征重要性
figure
bar(importance)
legend('重要性')
xlabel('特征')
ylabel('重要性')
参考资料
[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文章来源地址https://www.toymoban.com/news/detail-810449.html
到了这里，关于多输入多输出 | Matlab实现基于LightGBM多输入多输出预测的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
