贝叶斯优化GAM回归matlab代码数据为Excel股票预测数据。
数据集划分为训练集、验证集、测试集,比例为8:1:1
模块化设计:代码被划分为多个模块,每个模块执行特定的任务,例如加载数据、数据划分、参数设置、算法处理等,使得代码结构清晰,易于理解和维护。
数据处理:对加载的数据进行了预处理操作,包括数据划分、Zscore标准化等,使得数据具备了适合训练的格式和特征,提高了算法的准确性和稳定性。
参数设置:通过指定参数的值,如贝叶斯迭代次数 BO_iter,使得用户可以灵活地调整算法的参数,以获得更好的性能。
算法处理:使用了 GAM 回归模型进行数据建模和预测,采用交叉验证等技术优化模型性能,提高了模型的准确性和泛化能力。
结果展示:在代码的最后,通过打印输出和图形展示了模型在训练集、验证集、测试集上的预测结果,以及相应的评价指标,使得用户能够直观地了解模型的性能和效果。
输出多个评价指标:
平均绝对误差(MAE)
均方根误差(RMSE)
均方误差(MSE)
均方根误差(RMSE)
R方系数(R2)
代码有详细中文介绍。
代码运行结果如下:
部分代码如下:
% 清除命令窗口、工作区数据、图形窗口、警告
clc;
clear;
close all;
warning off;
% 加载数据
load('data.mat');
% 读取数据
data1 = readtable('股票价格.xlsx'); % 读取数据
data2 = data1(:,2:end);
data = table2array(data1(:,2:end));
data_biao = data2.Properties.VariableNames; % 数据特征的名称
A_data1 = data;
data_biao1 = data_biao;
data_select = A_data1;
feature_need_last = 1:size(A_data1,2)-1;
%% 数据划分
x_feature_label = data_select(:,1:end-1); % x特征
y_feature_label = data_select(:,end); % y标签
index_label1 = 1:(size(x_feature_label,1));
index_label = G_out_data.spilt_label_data; % 数据索引
if isempty(index_label)
index_label = index_label1;
end
spilt_ri = G_out_data.spilt_rio; % 划分比例 训练集:验证集:测试集
train_num = round(spilt_ri(1)/(sum(spilt_ri))*size(x_feature_label,1)); % 训练集个数
vaild_num = round((spilt_ri(1)+spilt_ri(2))/(sum(spilt_ri))*size(x_feature_label,1)); % 验证集个数
% 训练集,验证集,测试集
train_x_feature_label = x_feature_label(index_label(1:train_num),:);
train_y_feature_label = y_feature_label(index_label(1:train_num),:);
vaild_x_feature_label = x_feature_label(index_label(train_num+1:vaild_num),:);
vaild_y_feature_label = y_feature_label(index_label(train_num+1:vaild_num),:);
test_x_feature_label = x_feature_label(index_label(vaild_num+1:end),:);
test_y_feature_label = y_feature_label(index_label(vaild_num+1:end),:);
% Zscore 标准化