分类预测 | Matlab实现GA-XGBoost遗传算法优化XGBoost的多特征分类预测
目录
- 分类预测 | Matlab实现GA-XGBoost遗传算法优化XGBoost的多特征分类预测
- 效果一览
- 基本介绍
- 程序设计
- 参考资料
效果一览
基本介绍
Matlab实现GA-XGBoost遗传算法优化XGBoost的多特征分类预测，输入多个特征，分四类。
XGBoost的核心算法思想基本就是：不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数f(x)，去拟合上次预测的残差。当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数。最后只需要将每棵树对应的分数加起来就是该样本的预测值。
程序设计
- 完整程序和数据下载：Matlab实现GA-XGBoost遗传算法优化XGBoost的多特征分类预测
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行%% 读取数据
res = xlsread('data.xlsx');%% 分析数据
num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别）
num_res = size(res, 1); % 样本数（每一行，是一个样本）
num_size = 0.7; % 训练集占数据集的比例
res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）%% 设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];%% 划分数据集
for i = 1 : num_classmid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本mid_size = size(mid_res, 1); % 得到不同类别样本个数mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出
end%% 数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';%% 得到训练集和测试样本个数
M = size(P_train, 2);
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 = T_train;
t_test = T_test;%% 数据转置
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';%% 参数设置
fun = @getObjValue; % 目标函数
dim = 3; % 优化参数个数
lb = [001, 001, 0.01]; % 优化参数目标下限（最大迭代次数，深度，学习率）
ub = [ 50, 012, 0.1]; % 优化参数目标上限（最大迭代次数，深度，学习率）
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502
