贝叶斯优化决策树回归（matlab代码）

贝叶斯优化决策树回归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

代码结构: 代码采用了模块化的结构，清晰地划分了数据处理、参数设置、算法处理块等部分，易于理解和维护。

数据处理: 在数据处理部分，对数据进行了加载、划分、标准化等操作，保证了数据的质量和一致性。数据的划分按照训练集、验证集和测试集的比例进行，有利于后续模型的评估和泛化能力的检验。

模型训练: 采用了决策树回归模型，并使用了自动优化超参数的方法进行模型训练。这有助于提高模型的性能和泛化能力，同时减少了手动调参的工作量。

结果可视化: 最后，通过绘制训练集、验证集和测试集的真实标签与预测标签的曲线对比图，直观地展示了模型的拟合效果和预测能力。

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：
% 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');
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	
str_label=0; %标记输出是否字符类型	
  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),:);