jupyter偏最小二乘回归代码偏最小二乘回归 matlab

转载

mob64ca140f67e3 2024-06-23 04:15:35

文章标签 jupyter偏最小二乘回归代码 Data 测试数据子图 文章分类 机器学习人工智能

求gam和gim，这两个是关键参数

clc
clear all

%% 导入数据

S_Data=xlsread('C:\Users\yxz\Desktop\TrainDatatotal\aloneChangZhou\subtract_big_errors\liuyif\liuyifa_change_train_data\start_datas2.csv');

n = 512;   % n 是自变量的个数
m = 1;     % m 是因变量的个数
%% 读取训练数据
train_num = 60;  %训练样本数
train_Data = S_Data(1:train_num,:);

% 特征值归一化
[train_Input,minI,maxI] = premnmx(train_Data(:,1:n)');%train_Data(:,1:n)'//premnmx

% 构造输出矩阵
[train_Output,minO,maxO] = premnmx(train_Data(:,n+1:end)');%premnmx

%% 读取测试数据
test_Data = S_Data(train_num+1:end,:);
% 特征值归一化
test_Input = tramnmx(test_Data(:,1:n)',minI,maxI);
% 构造测试输出矩阵
test_Output = tramnmx(test_Data(:,n+1:end)',minO,maxO);

% 选取合适的参数gam
RMSE = []; 
Gam = 1:10:200;
sig = 600; 

for q = 1:20     
    gam = Gam(1,q); %以10为步长，训练20次
    tic;   %计时开始
    % 用trainlssvm()函数对训练数据进行训练
    [alpha, b] = trainlssvm({train_Input',train_Output','f',gam,sig});
    %[alpha,b] = trainlssvm(train_Input',train_Output',gam,sig);
    %alpha是LS-SVM的support values
    %b是偏置项的1 x m向量
    % sig是核宽度，gam是正则化参数
    %gam是正则化参数:对于gam低，强调模型复杂度的最小化;对于gam高，强调训练数据点的良好拟合。
    %kernel_par是内核的参数;在RBF核的一般情况下，较大的sig2表示较强的平滑。
    %训练LS-SVM的支持值和偏置项，用于分类或函数逼近
   % SVMtest_Output = simlssvm(test_Input',train_Input',alpha,b,sig);
   [SVMtest_Output, Zt] = simlssvm({train_Input',train_Output','f',gam,sig}, test_Input');
    %simlssvm在给定的点对LS-SVM进行评估
    toc;   %计时结束

    test_Output = postmnmx(test_Output,minO,maxO);
    SVMtest_Output = postmnmx(SVMtest_Output,minO,maxO);
    
    % 测试数据误差
    test_err = test_Output' - SVMtest_Output;
    n1 = length(SVMtest_Output);
    test_RMSE = sqrt(sum((test_err).^2)/n1);
    RMSE(1,q) = test_RMSE;
end

x = Gam;  y = RMSE;
plot(x,y,'-o')
xlabel('参数gam')
ylabel('S含量预测误差（RMSE）')

下列代码实现回归预测

clc
clear all

%% 导入数据
S_Data=xlsread('C:\Users\yxz\Desktop\TrainDatatotal\aloneChangZhou\subtract_big_errors\liuyif\liuyifa_change_train_data\start_datas2.csv');


n = 512;   % n 是自变量的个数
m = 1;     % m 是因变量的个数
%% 读取训练数据
train_num = 60;  %训练样本数
train_Data = S_Data(1:train_num,:);
% 特征值归一化
[train_Input,minI,maxI] = premnmx(train_Data(:,1:n)');
% 构造输出矩阵
[train_Output,minO,maxO] = premnmx(train_Data(:,n+1:end)');
gam = 20;%191
sig = 700;%600
type = 'function estimation';
tic; %计时开始
% 用trainlssvm()函数对训练数据进行训练
[alpha,b] = trainlssvm({train_Input',train_Output',type,gam,sig,'RBF_kernel'});
SVMtrain_Output = simlssvm({train_Input',train_Output',type,gam,sig,'RBF_kernel','preprocess'},{alpha,b},train_Input');
toc; %计时结束
train_Output = postmnmx(train_Output',minO,maxO);
SVMtrain_Output = postmnmx(SVMtrain_Output',minO,maxO);
% 训练数据误差
train_err = train_Output - SVMtrain_Output';
n1 = length(SVMtrain_Output);
train_RMSE = sqrt(sum((train_err).^2)/n1);

%% 读取测试数据
test_Data = S_Data(train_num+1:end,:);
% 特征值归一化
test_Input = tramnmx(test_Data(:,1:n)',minI,maxI)';
% 构造测试输出矩阵
test_Output = tramnmx(test_Data(:,n+1:end)',minO,maxO)';

SVMtest_Output = simlssvm({train_Input',train_Output,type,gam,sig,'RBF_kernel','preprocess'},{alpha,b},test_Input);
test_Output = postmnmx(test_Output,minO,maxO);
SVMtest_Output = postmnmx(SVMtest_Output',minO,maxO);

% 测试数据误差
test_err = test_Output - SVMtest_Output';
n2 = length(SVMtest_Output');
test_RMSE = sqrt(sum((test_err).^2)/n2);

%% 预测结果可视化
figure(6);  % 绘制图1
subplot(2,1,1);  % 图1包含2行1列个子图形，首先绘制子图1
plot(SVMtest_Output,':og');  % 用绿色的o绘制测试数据的预测输出值
hold on;
plot(test_Output','-*b');  % 用蓝色的*绘制测试数据的期望输出值
legend('预测输出','期望输出');  % 子图1的注释
title('最小二乘支持向量机预测S含量结果','fontsize',12)  %子图1的标题
% title('BP神经网络Si含量预测输出','fontsize',12)  %子图1的标题
ylabel('S含量','fontsize',12);  % y轴
xlabel('样本','fontsize',12);  % x轴
subplot(2,1,2);  % 绘制子图2
plot(abs(test_Output - SVMtest_Output'),'-*');  % 输出测试数据的预测误差
title('最小二乘支持向量机预测浓度','fontsize',12)  %子图2的标题
% title('BP神经网络Si含量预测误差','fontsize',12)  %子图2的标题
ylabel('误差','fontsize',12);  % y轴
xlabel('样本','fontsize',12);  % x轴
ylim([0,0.01]);

预测结果

jupyter偏最小二乘回归代码偏最小二乘回归 matlab_子图