基于随机森林RF的碳排放预测，

最新推荐文章于 2025-04-30 16:40:07 发布

神经网络机器学习智能算法画图绘图

最新推荐文章于 2025-04-30 16:40:07 发布

阅读量659

点赞数 1

分类专栏：神经网络文章标签：随机森林算法机器学习随机森林碳排放预测碳排放回归分析

本文链接：https://blog.csdn.net/abc991835105/article/details/132184627

版权

神经网络专栏收录该内容

36 篇文章

订阅专栏

目录
背影
摘要
随机森林的基本定义
随机森林实现的步骤
基于随机森林的碳排放量预测
代码下载链接：基于随机森林的碳排放预测，基于RF的碳排放分析资源-CSDN文库 https://download.csdn.net/download/abc991835105/88138844
效果图
结果分析
展望
参考论文

背影

碳排放导致温室气体增加，气候变暖，预测碳排放量有利于指定排放政策，

摘要

随机森林原理，MATALB编程随机森林碳排放量预测。

随机森林的基本定义

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而 “Random Forests” 是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合 Breimans 的 “Bootstrap aggregating” 想法和 Ho 的"random subspace method"以建造决策树的集合。

训练方法

根据下列算法而建造每棵树 [1] ：
用N来表示训练用例（样本）的个数，M表示特征数目。
输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。
从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。
对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。
每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用）

随机森林的优缺点

随机森林的优点有 [2] ：
1）对于很多种资料，它可以产生高准确度的分类器；
2）它可以处理大量的输入变数；
3）它可以在决定类别时，评估变数的重要性；
4）在建造森林时，它可以在内部对于一般化后的误差产生不偏差的估计；
5）它包含一个好方法可以估计遗失的资料，并且，如果有很大一部分的资料遗失，仍可以维持准确度；
6）它提供一个实验方法，可以去侦测variable interactions；
7）对于不平衡的分类资料集来说，它可以平衡误差；
8）它计算各例中的亲近度，对于数据挖掘、侦测离群点（outlier）和将资料视觉化非常有用；
9）使用上述。它可被延伸应用在未标记的资料上，这类资料通常是使用非监督式聚类。也可侦测偏离者和观看资料；
10）学习过程是很快速的。

决策树的构建过程

要说随机森林，必须先讲决策树。决策树是一种基本的分类器，一般是将特征分为两类（决策树也可以用来回归，不过本文中暂且不表）。构建好的决策树呈树形结构，可以认为是if-then规则的集合，主要优点是模型具有可读性，分类速度快。
我们用选择量化工具的过程形象的展示一下决策树的构建。假设要选择一个优秀的量化工具来帮助我们更好的炒股，怎么选呢？
第一步：看看工具提供的数据是不是非常全面，数据不全面就不用。
第二步：看看工具提供的API是不是好用，API不好用就不用。
第三步：看看工具的回测过程是不是靠谱，不靠谱的回测出来的策略也不敢用啊。
第四步：看看工具支不支持模拟交易，光回测只是能让你判断策略在历史上有用没有，正式运行前起码需要一个模拟盘吧。
这样，通过将“数据是否全面”，“API是否易用”，“回测是否靠谱”，“是否支持模拟交易”将市场上的量化工具贴上两个标签，“使用”和“不使用”。
上面就是一个决策树的构建，逻辑可以用图1表示：
在这里插入图片描述

基于MATLAB编程的随机森林回归分析

clc
clear
close all
[a1 ,ax,ay]= xlsread(‘数据搜集.xlsx’);
num=a1(:,2:end);
rand(‘seed’,0)
%训练测试划分
n = randperm(size(num,1));
P_test=num(:,1:6);
P_train=num(n,1:6);
T_test=num(:,7);
T_train=num(n,7);
T_train0=T_train;
% 归一化
[p,ps]=mapminmax(P_train’,-1,1);
P_train=p’;
pt=mapminmax(‘apply’,P_test’,ps);
P_test=pt’;

[T,psT]=mapminmax(T_train’,-1,1);
T_train=T’;

%% 创建随机森林分类器
% model = classRF_train(P_train,T_train,1,‘criterion’,‘mse’);%,‘max_depth’,1,
% [T_sim,mx] = classRF_predict(P_train,model);

trees = 32; % 决策树数目
leaf = 3; % 最小叶子数
OOBPrediction = ‘on’; % 打开误差图
OOBPredictorImportance = ‘on’; % 计算特征重要性
Method = ‘regression’; % 分类还是回归
net = TreeBagger(trees, P_train, T_train, ‘OOBPredictorImportance’, OOBPredictorImportance,…
‘Method’, Method, ‘OOBPrediction’, OOBPrediction, ‘minleaf’, leaf);
importance = net.OOBPermutedPredictorDeltaError; % 重要性
figure
bar(importance)
ylabel(‘重要性’)
set(gca,‘XTick’,1:6)
set(gca,‘XTickLabel’,{‘年末总人口’,‘城镇化率’,‘人均生产总值’,‘产业升级指数’,‘外商投资’,‘能源强度’})

figure

plot(oobError(net))
xlabel(‘迭代次数’)
ylabel(‘误差’)

%% 仿真测试
t_sim1 = predict(net, P_train);
t_sim2 = predict(net, P_test );

%% 数据反归一化
T_sim = mapminmax(‘reverse’, t_sim1’, psT)';

figure
plot(T_sim,‘k-*’)
hold on
plot(T_train0,‘r-o’)
legend(‘实际输出’,‘期望输出’)
xlabel(‘样本编号’)
ylabel(‘输出标签’)
title(‘RF训练集’)

%% 仿真测试
% [T_sim,votes] = classRF_predict(P_test,model);

T_sim = mapminmax(‘reverse’, t_sim2’, psT)';

[MSE,RMSE,MBE,MAE,MAPE] =MSE_RMSE_MBE_MAE_MAPE(T_test,T_sim)
R = R_2(T_test,T_sim)

figure
plot(T_sim,‘k-*’)
hold on
plot(T_test,‘r-o’)
legend(‘实际输出’,‘期望输出’)
xlabel(‘样本编号’)
ylabel(‘输出标签’)
title(‘RF测试集’)
%% 结果统计