“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）

原创

荔枝科研社 2022-10-23 10:03:05 ©著作权

©著作权归作者所有：来自51CTO博客作者荔枝科研社的原创作品，请联系作者获取转载授权，否则将追究法律责任

💥1 概述

多目标优化问题普遍涉及到工程设计、生产制造、信息处理等应用领域。粒子群优化算法具有快速收敛、简单易行、并行搜索等特点，特别适合处理多目标优化问题。本文对多目标粒子群优化算法进行系统性的研究，结合随机森林的优势。包括"随机森林"和“混合随机森林和多目标粒子群优化”(RF_MOPSO)，以预测目标作为学习方法并分别找到多特征过程的最佳参数。其中一个算例是钻孔过程预测和优化。采用随机森林与多目标粒子群优化算法相结合的方法辅助优化工艺参数选择。

📚2 运行结果

📃2.1 算例1

“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）_学习方法

“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）_多目标粒子群_02

“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）_学习方法_03

“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）_多目标_04

“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）_算法_05

“随机森林”及“混合随机森林和多目标粒子群优化”（RF_MOPSO），以预测目标作为学习方法并分别找到多特征过程的最佳参数（Matlab代码实现）_算法_06

算例1主函数代码：

clc
 clear
 close all; %Loading
 load data1.csv
 [TrainData,TestData] = ManageData(data1);
 train_x = TrainData.Feature;
 target = TrainData.Lebel;
 test_x = TestData.Feature;
 test_y = TestData.Lebel ;
 data1 = train_x(:,1);
 data2 = train_x(:,2);
 data3 = train_x(:,3);
 data4 = train_x(:,4);
 data5 = train_x(:,5);X = table(data1,data2,data3,data4,data5,target);
 rng('default'); % For reproducibility%%Specify Tuning Parameters
 maxMinLS = 50;
 minLS = optimizableVariable('minLS',[1,maxMinLS],'Type','integer');
 numPTS = optimizableVariable('numPTS',[1,size(X,2)-1],'Type','integer');
 hyperparametersRF = [minLS; numPTS];%Minimize Objective Using Bayesian Optimization
 results = bayesopt(@(params)oobErrRF(params,X,target),hyperparametersRF,...
     'AcquisitionFunctionName','expected-improvement-plus','Verbose',0);bestOOBErr = results.MinObjective
 bestHyperparameters = results.XAtMinObjective%Train Model Using Optimized Hyperparameters
 Mdl = TreeBagger(450,train_x,target,'OOBPred','On','Method','regression',...
     'MinLeafSize',bestHyperparameters.minLS,...
     'NumPredictorstoSample',bestHyperparameters.numPTS); predicted_train = oobPredict(Mdl);
 predicted_test = predict(Mdl,test_x);
 trainmse = sum((predicted_train-target).^2)/length(target);
 testmse = sum((predicted_test-test_y).^2)/length(test_y);[fitresult.train, gof.train] = fit( predicted_train, target, 'poly1' );
 [fitresult.test, gof.test] = fit( predicted_test, test_y, 'poly1' );
 b = gof.train.rsquare;
 c = gof.test.rsquare;figure
 plot(fitresult.train,predicted_train,target)
 hold on
 title(['R-Square = ' num2str(b)])figure
 plot(fitresult.test,predicted_test,test_y)
 hold on
 title(['R-Square = ' num2str(c)])figure
 plot(predicted_train,':og')
 hold on
 plot(target,'- *')
 title('Train')figure
 plot(predicted_test,':og')
 hold on
 plot(test_y,'- *')
 title('Test')MAPE.train = mean((abs(predicted_train-target))./target).*100;
 MAPE.test = mean((abs(predicted_test-test_y))./test_y).*100;Vmse.train=errperf(target,predicted_train,'mse');
 Vmse.test=errperf(test_y,predicted_test,'mse');
 RMSE.train=sqrt(Vmse.train);
 RMSE.test=sqrt(Vmse.test);