【MATLAB第102期】基于MATLAB的BRT增强回归树多输入单输出回归预测模型

【MATLAB第102期】基于MATLAB的BRT增强回归树多输入单输出回归预测模型

BRT,即Boosted Regression Trees(增强回归树),是一种用于回归问题的集成学习方法。它结合了多个决策树模型,通过逐步改进的方式来提高整体模型的预测性能。BRT的核心思想是利用多个弱学习器(在这个情况下是决策树)的组合来构建一个强学习器。

一、模型介绍

1、工作原理

BRT的工作原理基于提升(Boosting)策略,特别是AdaBoost(Adaptive Boosting)算法的变种。在每一轮迭代中,BRT都会执行以下步骤:

初始化数据权重分布:开始时,每个训练样本都被赋予相等的权重。

构建决策树:使用当前的数据权重分布来训练一个新的决策树。这个决策树通常是一个简单的、深度较浅的树,被称为弱学习器。

计算预测误差:评估新训练的决策树在整个数据集上的预测误差。

更新数据权重:根据预测误差,增加那些被错误分类的样本的权重,减少正确分类的样本的权重。这样,接下来的迭代将更加关注那些难以正确预测的样本。

减弱预测误差:将每个决策树的预测误差进行缩减,以防止过拟合。这通常通过一个学习率参数来控制。

累加模型预测:将新训练的决策树的预测结果与之前所有迭代中的树的预测结果相加,形成最终的模型预测。

这个过程会重复进行,直到达到预定的迭代次数或者模型性能不再显著提升。

2、特点

适应性强:BRT能够适应各种类型的数据,包括连续型和分类型变量。
处理缺失值:BRT可以处理数据中的缺失值,这在实际应用中非常有用。
提供概率输出:BRT可以输出分类问题的概率估计,而不仅仅是硬分类结果。
可解释性:虽然BRT是一个集成模型,但它的组成单元是决策树,因此相比其他集成方法如随机森林或梯度提升树,BRT的可解释性更强。

3、应用

BRT在各种回归问题中都有广泛的应用,包括但不限于:

预测房价
销售预测
能源消耗预测
生物统计学中的数据分析
优势与局限性

4、优势:

BRT通过集成多个决策树来提高预测精度。
能够处理复杂的数据集,包括非线性和高维数据。
可以自然地处理不同类型的数据,包括数值型和类别型数据。

5、局限性:

相对于单棵树或浅层模型,BRT模型可能更容易过拟合,尤其是在数据量较少的情况下。
模型的训练和预测过程可能需要较长的计算时间,特别是当树的数量较多时。
总的来说,BRT是一种强大的集成学习方法,适用于各种回归问题,并且在实际应用中表现出色。然而,为了获得最佳性能,可能需要仔细调整模型参数,并根据具体问题进行模型选择和优化。

二、代码实现

%%  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%%  导入数据
res = xlsread('数据集.xlsx');%%  划分训练集和测试集
temp = randperm(103);P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
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);%转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';% BRT模型参数
leafNum=50; %最大叶节点数量
treeNum=1000;%种群数
nu=0.1;%更新系数
%训练模型  %%  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);%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
gridfigure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid%%  相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test  - T_sim2)^2 / norm(T_test  - mean(T_test ))^2;disp(['训练集数据的R2为:', num2str(R1)])
disp(['测试集数据的R2为:', num2str(R2)])% MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;disp(['训练集数据的MAE为:', num2str(mae1)])
disp(['测试集数据的MAE为:', num2str(mae2)])% MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;disp(['训练集数据的MBE为:', num2str(mbe1)])
disp(['测试集数据的MBE为:', num2str(mbe2)])

三、效果展示

在这里插入图片描述

四、代码获取

1.阅读首页置顶文章
2.关注CSDN
3.根据自动回复消息,回复“102期”以及相应指令,即可获取对应下载方式。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/792473.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

GDAL源码剖析(九)之GDAL体系架构

GDAL源码剖析(九)之GDAL体系架构_gdal 源码-CSDN博客 在GDAL库中包含栅格数据的读写,矢量数据的读写,以及栅格和矢量数据的相关算法。下面主要对GDAL中栅格数据和矢量数据的体系架构做一个简单的说明。本人英文很烂,有…

力扣经典150题第一题:合并两个有序数组

目录 合并两个有序数组问题详解与解决方法1. 介绍2. 问题描述3. 解题思路4. 算法实现5. 复杂度分析6. 测试和验证7. 扩展如何处理特殊情况和边界条件?如何处理数组中可能存在的重复元素?如何优化算法以减少内存使用或提高执行效率? 8. 总结9.…

Linux 多线程与线程控制(程序均有详细注释)

多线程与线程控制 线程的基本概念线程的特点页表多线程 线程控制线程的创建线程传参线程id资源回收---线程等待线程id和LWP 封装一个线程库线程互斥和线程同步线程互斥基本原理线程安全VS线程不安全锁的诞生可重入VS线程安全 死锁死锁的定义 线程同步条件变量接口 生成消费者模…

使用Python获取红某书笔记详情并批量无水印下载

根据红某手最新版 请求接口必须要携带x-s x-s-c x-t,而调用官方接口又必须携带cookie,缺一不可,获取笔记详情可以通过爬取网页的形式获取,虽然也是无水印,但是一些详情信息只能获取大概,并不是详细的数值,因此既不想自己破解x-s x…

Java中的类加载器及其作用详解

Java中的类加载器(ClassLoader)是Java运行时环境(JRE)的一部分,负责在运行时动态地加载Java类到Java虚拟机(JVM)中。Java的类加载机制是Java核心的一部分,它提供了高度的灵活性和可扩…

面了金山和 OPPO 的 NLP 算法岗,还热乎的面经分享给大家

节前,我们星球组织了一场算法岗技术&面试讨论会,邀请了一些互联网大厂朋友、参加社招和校招面试的同学,针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。 汇总…

清明时节雨纷纷,AI达人用Bedrock(第一季)

今天是清明小长假第一天,没有外出踏青,在家体验Amazon Bedrock的强大能力。Amazon Bedrock是专门为创新者量身打造的平台,它提供了构建生成式人工智能应用程序所需的一切。 这次我主要尝试的是通过 Amazon Bedrock 里的 Stability AI SDXL 1…

C++理解std::move和转发(std::forward)

理解 std::move 标准库move函数是使用右值引用的模板的一个很好的例子。 幸运的是,我们不必理解move所使用的模板机制也可以直接使用它。 但是,研究move是如何工作的可以帮助我们巩固对模板的理解和使用。 我们注意到,虽然不能直接将一个…

提升工作效率:B端工作台设计基础详解

随着互联网和信息技术的快速发展,越来越多的企业开始以数字化、智能化的方式管理和运营自己的业务。B端工作台设计作为企业应用的重要组成部分,越来越受到重视。本文将从三个方面对B端工作台设计进行全面分析。让我们看看。 1. B端工作台设计原则 B端工…

攻防世界 wife_wife

在这个 JavaScript 示例中,有两个对象:baseUser 和 user。 baseUser 对象定义如下: baseUser { a: 1 } 这个对象有一个属性 a,其值为 1,没有显式指定原型对象,因此它将默认继承 Object.prototype。 …

不堪大用的pow

【题目描述】 输出100~999中的所有水仙花数。若3位数ABC满足,则称其为水仙花 数。例如,所以153是水仙花数。 【题目来源】 刘汝佳《算法竞赛入门经典 第2版》习题2-1 水仙花数(daffodil) 题目很简单,…

AI大模型在未来如何与体育运动结合

AI大模型与体育运动的结合预示着未来体育领域将迎来革命性的变化。这种结合不仅能提升运动员的训练和比赛表现,还能改善观众的观赛体验,优化体育管理和运营。以下是几个预期中AI大模型将如何与体育运动结合的方向: 1. 运动员表现分析与提升 …

配置vite配置文件更改项目端口、使用@别名

一、配置vite配置文件更改项目端口 vite官方文档地址:开发服务器选项 | Vite 官方中文文档 (vitejs.dev) 使用: 二、使用别名 1. 安装 types/node types/node 包允许您在TypeScript项目中使用Node.js的核心模块和API,并提供了对它们的类型…

C语言经典例题(17) --- 最小公倍数、单词倒置、你是天才吗?、完美成绩、判断整数的奇偶性

1.最小公倍数 正整数A和正整数B的最小公倍数是指能被A和B整除的最小的正整数,设计一个算法,求输入A和B的最小公倍数。 输入描述:输入两个正整数A和B。 输出描述:输出A和B的最小公倍数。 输入:5 7 输出&#xff1a…

4. python练习题4-水仙花数

4. python练习题4-水仙花数 【目录】 文章目录 4. python练习题4-水仙花数1. 目标任务2. 水仙花数的特点3. 如何判断一个数是否是水仙花数?4. 打印3位水仙花数5. 判断一个数是不是水仙花数6. 列表推导式6. 列表推导式判断一个数是不是水仙花数 【正文】 1. 目标任务…

picGo图床搭建gitee和smms(建议使用)

picGoGitee 这个需要下载gitee插件, 因为官方频繁的检索文件类型, 有时候也会失效 如果没有特殊要求平时存个学习的要看图中文字的重要的图片建议就是smms, 免费也够用! 图片存本地不方便, 各种APP中来回传还会失帧损失画质, 所以你值得往下看 picGosmms 建议使用这个, sm…

代码随想录-算法训练营day01【二分查找、移除元素、插入元素】

专栏笔记:https://blog.csdn.net/weixin_44949135/category_10335122.html 第一章 数组part01今日任务 数组理论基础,704. 二分查找,27. 移除元素 详细布置数组理论基础 文章链接:https://programmercarl.com/%E6%95%B0%E7%BB%…

递归与树的深度优先搜索:探索它们之间的关系

文章目录 递归与树的深度优先搜索:探索它们之间的关系递归的基本概念树的深度优先搜索递归与树的深度优先搜索的关系反转链表合并两个有序链表 总结 递归与树的深度优先搜索:探索它们之间的关系 递归是一种强大而优雅的编程技术,它允许我们通过将问题分…

每日面经分享(python part1)

Python中的深拷贝和浅拷贝的区别是什么? a. 浅拷贝创建一个新的对象,但其中的可变元素仍然共享引用。只有对象的第一层被复制,而更深层次的嵌套对象仍然是引用。更改其中一个对象的属性会影响到其他对象。 b. 深拷贝创建一个完全独立的新对象…

docker部署nacos,单例模式(standalone),使用内置的derby数据库,简易安装

文章目录 前言安装创建文件夹docker指令安装docker指令安装-瘦身版 制作docker-compose.yaml文件查看页面 前言 nacos作为主流的服务发现中心和配置中心,广泛应用于springcloud框架中,现在就让我们一起简易的部署一个单例模式的nacos,版本可…