回归预测 | Matlab实现DBO-LightGBM蜣螂算法优化轻量级梯度提升机多输入单输出回归预测，作者：机器学习之心

预测效果

基本介绍

DBO-LightGBM蜣螂算法优化轻量级梯度提升机多输入单输出回归预测Matlab实现

1.data为数据集，7个输入特征，1个输出特征，运行环境Matlab2018b及以上；

2.优化参数为叶子节点数 学习率 树的深度;

3.main.m为主程序文件，其余为函数文件，无需运行。

4.命令窗口输出MAE、MAPE、RMSE和R2，可在下载区获取数据和程序内容。

5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

（Light Gradient Boosting Machine）是一款基于决策树算法的分布式梯度提升框架。为了满足工业界缩短模型计算时间的需求，LightGBM的设计思路主要是两点：减小数据对内存的使用，保证单个机器在不牺牲速度的情况下，尽可能地用上更多的数据；减小通信的代价，提升多机并行时的效率，实现在计算上的线性加速。
注:仅支持Windows 64位系统

程序设计

• 完整源码和数据获取方式：私信博主回复Matlab实现DBO-LightGBM蜣螂算法优化轻量级梯度提升机多输入单输出回归预测（Matlab完整源码和数据）。

%%  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%% 添加工具箱路径 加载工具箱
addpath("toolbox\") 
loadlibrary('lib_lightgbm.dll', 'c_api.h')%%  导入数据
res = xlsread('数据集.xlsx');%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
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, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%%  矩阵转置
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

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