- 博客(177)
- 收藏
- 关注
RSS订阅
原创 【MATLAB】史上最全的15种回归预测算法全家桶
大家吃一顿火锅的价格便可以拥有15种回归预测算法，绝对不亏，知识付费是现今时代的趋势，而且都是我精心制作的教程，有问题可随时反馈~也可单独获取某一算法的代码（见每一算法介绍后文）~
2024-02-20 09:33:32
4166
3
原创 Python | Stacking回归和SHAP可解释性分析回归预测及可视化算法
立个flag，这是未来一段时间打算做的Python教程，敬请关注。
2026-01-16 12:10:05
1596
1
原创 Python | K折交叉验证的参数优化的Huber回归预测及可视化算法
本文将介绍基于Python的Huber回归预测算法及其应用。文章包含数据说明（10个特征值和1个目标值）、算法理论基础（Huber回归的稳健性原理）、4种参数优化方法（贝叶斯搜索、随机搜索、网格搜索等）以及可视化分析（特征相关性热图、散点密度图等）。该算法适用于地球科学、生物学、工程学等多个领域的回归预测任务，程序提供完整的训练-预测流程和结果保存功能，支持模型复用和可视化分析。文末附有代码获取方式和环境配置指南。
2026-01-13 10:38:28
540
原创 Python | K折交叉验证的参数优化的高斯过程回归（GPR）预测及可视化算法
本文介绍了一个基于高斯过程回归(GPR)的Python预测模型教程，适用于多领域的回归预测需求。教程包含10列特征值和1个目标值的数据集(data.xlsx)，支持80%:20%的训练测试集划分，可应用于地球科学、生物学、工程、经济等多个领域的连续变量预测。重点讲解了GPR的非参数特性、核函数选择及天然的不确定性表达能力等理论优势，并提供了完整的代码实现流程，包括数据读取、归一化处理、模型训练、评估及可视化(热图、散点密度图等)。教程还包含贝叶斯优化调参方法，可自动保存模型和评估结果，适合中小规模数据的精确
2026-01-12 13:43:44
1434
原创 Python | K折交叉验证的参数优化的支持向量机回归（SVR）预测及可视化算法
立个flag，这是未来一段时间打算做的Python教程，敬请关注。
2026-01-09 10:16:41
879
原创 Python | K折交叉验证的参数优化的决策树回归（DT Regression）预测及可视化算法
立个flag，这是未来一段时间打算做的Python教程，敬请关注。
2026-01-08 10:06:23
1047
原创 Python | K折交叉验证的参数优化的贝叶斯岭回归预测及可视化算法
【摘要】本文介绍了一个基于Python的贝叶斯岭回归预测教程，适用于多领域回归分析。教程提供包含10个特征值和1个目标值的Excel数据集，采用80%:20%的训练-测试比例。应用场景涵盖地球科学、生物学、工程学、经济学等多个领域。重点讲解贝叶斯岭回归算法原理，相比传统岭回归能自动调节正则化参数并输出预测不确定性。教程包含完整的Python实现代码，支持四种参数优化方法（贝叶斯搜索、随机搜索、网格搜索），提供特征相关性热图、散点密度图等可视化功能，并自动保存模型和评估结果。适合需要进行稳健回归分析的科研人员
2026-01-06 12:09:10
389
原创 Python | K折交叉验证的参数优化的KNN（k近邻）预测及可视化算法
本文将介绍一个基于Python的KNN回归预测教程，适用于多领域连续变量预测。教程提供包含10个特征值和1个目标值的数据集(data.xlsx)，支持80:20的训练测试集划分，并自动保存结果和可视化图表。内容涵盖五大应用领域（地球科学、生物医学、工程物理、经济社会、数据科学）和KNN算法原理，重点讲解其非参数特性、距离度量和k值选择。教程包含四种参数优化方法（贝叶斯、随机、网格搜索及K折交叉验证），并提供完整的代码实现，包含数据预处理、模型训练评估、SHAP分析和多种可视化（热图、散点密度图等）。配套An
2026-01-05 15:15:52
666
原创 Python | K折交叉验证的参数优化的MLP(多层感知机)预测及可视化算法
本文介绍了一个基于Python的MLP回归预测教程，适用于多领域的连续变量预测。教程包含数据处理、模型训练与评估全流程，重点讲解了MLP算法原理及其非线性处理能力。提供了数据归一化、特征相关性分析、SHAP解释等模块，并实现贝叶斯/随机/网格搜索三种参数优化方法。程序自动保存模型结构、预测结果及评估指标，支持可视化输出特征热图、散点密度图等分析图表。教程附带完整代码和Anaconda环境配置指南，适合机器学习初学者快速上手实践。
2026-01-04 12:13:20
710
原创 Python | K折交叉验证的参数优化的LinearRegression（线性回归）预测及可视化算法
本文介绍了一个基于Python的线性回归预测教程，包含10个特征值和1个目标值的数据集(data.xlsx)，适用于多领域的回归预测需求。教程涵盖五大应用场景(地球科学、生物医学、工程物理、经济社会、机器学习)，详细讲解线性回归的理论基础、算法优势及适用场景。提供四种参数优化方法(贝叶斯搜索、随机搜索、网格搜索、K折交叉验证)的代码实现，包含数据预处理、模型训练、评估指标计算、SHAP分析和可视化(热图、散点图等)。完整代码可通过指定链接获取，适合各领域研究人员和Python初学者使用。
2025-12-31 11:14:55
575
原创 Python | K折交叉验证的参数优化的Lasso回归预测及可视化算法
本文介绍了一个基于Lasso回归的Python预测建模教程，适用于多领域的回归分析需求。教程包含数据预处理、模型训练与评估、参数优化（贝叶斯搜索、随机搜索和网格搜索）以及可视化分析等功能。提供的代码实现了从数据读取到结果保存的全流程，支持特征选择、SHAP分析和多种评估指标计算。特别适合处理高维数据，能自动筛选重要特征并提高模型解释性。教程附带详细注释和安装指南，方便初学者使用。适用于地球科学、生物医学、工程经济等多个领域的连续变量预测任务。
2025-12-29 10:12:25
611
原创 Python | K折交叉验证的参数优化的Ridge回归（岭回归）预测及可视化算法
本文介绍了一个Python回归预测教程，主要包含以下内容：1) 使用包含10个特征和1个目标值的数据集进行回归预测，适用于多领域应用（环境科学、医学、经济等）；2) 重点讲解Ridge回归算法原理，解决多重共线性问题；3) 提供四种参数优化方法（贝叶斯、随机、网格搜索及K折交叉验证）；4) 包含完整数据处理流程（数据划分、归一化、模型评估）和可视化功能（热图、散点图等）；5) 提供详细代码实现和模型保存功能。适合Python初学者学习回归预测建模。
2025-12-26 12:13:12
597
原创 Python | K折交叉验证的参数优化的随机森林RF及SHAP可解释性分析回归预测算法
摘要： 本文介绍了一个基于随机森林(RF)的回归预测Python教程，适用于多领域应用。教程包含10列特征值和1个目标值的数据集(data.xlsx)，支持80%:20%的训练测试集划分。主要内容包括：1) 应用领域涵盖地球科学、生物医学、工程物理、经济社会等；2) 详细讲解随机森林算法原理及其稳健性；3) SHAP可解释性分析方法；4) 四种参数优化方法(贝叶斯、随机、网格搜索和K折交叉验证)；5) 可视化分析(热图、散点密度图等)；6) 完整Python代码实现，包含数据预处理、模型训练、评估和结果保存
2025-12-16 14:20:55
1061
原创 Python | K折交叉验证的参数优化的AdaBoost及SHAP可解释性分析回归预测算法
立个flag，这是未来一段时间打算做的Python教程，敬请关注。
2025-12-15 16:43:36
845
原创 Python | K折交叉验证的参数优化的GradientBoost及SHAP可解释性分析回归预测算法
本文介绍了一个基于Python的回归预测算法教程，使用GradientBoosting模型进行多领域预测任务。教程包含数据处理、模型训练（采用80%训练集和20%测试集）、参数优化（贝叶斯/随机/网格搜索）、SHAP可解释性分析以及多种可视化（热图、散点密度图等）。重点讲解了梯度提升的理论基础及其在XGBoost等模型中的应用，并详细说明了SHAP方法如何公平评估特征贡献。最后提供了完整的代码实现，包括数据预处理、模型评估指标计算和结果保存功能，适合各领域研究者用于连续变量预测任务。
2025-12-14 15:43:50
1015
原创 Python | K折交叉验证的参数优化的NGBoost及SHAP可解释性分析回归预测算法
本文介绍了一个基于NGBoost算法的回归预测Python教程，适用于多领域数据分析。教程包含10列特征值和1个目标值的数据集，采用80%:20%的训练测试比例，涵盖地球科学、生物医学、工程物理、经济社会等五大应用领域。重点讲解了NGBoost算法的概率预测特性及其自然梯度优化原理，以及SHAP可解释性分析方法。程序实现了数据预处理、模型训练评估、结果可视化（包括热图、散点密度图等）和参数优化（贝叶斯、随机、网格搜索）等功能，并保存模型和评估指标。教程提供了完整代码获取方式及Anaconda环境配置指南。
2025-12-12 20:46:05
824
原创 Python | K折交叉验证的参数优化的CatBoost及SHAP可解释性分析回归预测算法
本文介绍了一个基于CatBoost算法的回归预测Python教程，适用于多领域连续变量预测。教程包含数据预处理、模型训练评估、参数优化和结果可视化全流程，重点讲解了CatBoost模型对类别特征的处理优势、SHAP可解释性分析方法，以及贝叶斯/随机/网格三种参数优化策略。程序提供热力图、散点密度图等多种可视化输出，支持模型保存与结果导出，适用于遥感、气象、医疗、金融等多个领域的回归预测任务。教程配套完整代码和详细注释，适合不同水平的学习者使用。
2025-12-11 15:29:20
1053
原创 Python | 网格搜索参数优化的LGBM+SHAP可解释性分析回归预测及可视化算法
本文介绍了一套完整的Python机器学习流程，包含数据预处理、模型训练（LGBM）、网格搜索调参、SHAP可解释性分析和多种可视化方法。该流程通过详细的代码实现（含10个步骤的主程序）完成了从数据读取到结果保存的全过程，特别提供了特征相关性热图、散点密度图等可视化工具，以及SHAP分析来增强模型可解释性。文章强调该方法适用于科研论文写作，能有效回答审稿人关于模型解释性的问题，并提供了完整的环境配置指南和代码获取方式。适合机器学习初学者和需要提升论文可解释性的研究者参考。
2025-12-03 16:07:11
294
原创 Python | 随机搜索参数优化的LGBM+SHAP可解释性分析回归预测及可视化算法
本文介绍了一个Python机器学习教程系列，包含数据应用、算法理论和SHAP可解释性分析三部分内容。重点展示了SHAP工具在模型解释中的优势，能够直观可视化特征重要性，解决论文评审常见问题。教程提供了完整的LGBM回归预测代码，涵盖数据预处理、模型训练、评估指标计算和多种可视化功能（特征热图、散点密度图等）。特别介绍了随机搜索参数优化算法的高效性，并详细说明了代码实现过程，包括结果保存为MAT文件、模型持久化等功能。适合机器学习初学者使用，需预先配置Anaconda环境。
2025-11-29 16:17:32
631
原创 Python | 贝叶斯搜索参数优化的LGBM+SHAP可解释性分析回归预测及可视化算法
摘要：本文介绍了一个基于Python的机器学习教程系列，重点涵盖XGBoost模型、SHAP可解释性分析和贝叶斯参数优化。教程包含数据预处理、模型训练、评估指标计算（R2、MAE等）、SHAP特征重要性可视化（beeswarm图等）、参数优化策略及结果保存功能。程序可自动输出模型评估指标、特征相关性热图和预测结果，适用于科研论文的可解释性分析需求。教程附带详细注释代码和Anaconda环境配置指南，适合各层次学习者使用。
2025-11-27 21:46:17
275
原创 Python | LGBM+SHAP可解释性分析回归预测及可视化算法
摘要：本文介绍了一个基于LightGBM和SHAP的回归预测算法教程，适用于多领域连续变量预测。教程包含数据预处理、模型训练与评估、SHAP可解释性分析及可视化模块，支持地球科学、医学、经济等跨学科应用。程序采用80%:20%的训练测试比例，自动保存模型结构和评估指标，提供特征相关性热图、散点密度图等可视化工具，并详细注释了从数据读取到结果输出的完整流程。配套环境配置指南和示例数据帮助初学者快速上手。
2025-11-26 21:59:01
495
原创 Python | 网格搜索参数优化的XGBoost+SHAP可解释性分析回归预测及可视化算法
本文介绍了一个完整的Python机器学习项目流程，包含XGBoost回归预测、网格搜索参数优化和SHAP可解释性分析。主要内容包括：1）数据预处理、模型训练与评估；2）网格搜索原理及其在参数优化中的应用；3）SHAP理论及可视化方法（如beeswarm图）对模型特征重要性的解释；4）其他可视化技术（热图、散点密度图等）。文章提供了详细的代码实现（含10个步骤的主程序），并强调这些方法能显著提升论文质量，特别是回答审稿人关于模型可解释性的问题。适合机器学习初学者和科研人员参考使用。
2025-11-25 12:25:14
1037
原创 Python | 随机搜索参数优化的XGBoost+SHAP可解释性分析回归预测及可视化算法
本文介绍了一个Python机器学习教程系列，涵盖数据应用、算法理论和SHAP可解释性分析。重点展示了XGBoost模型结合随机搜索参数优化和SHAP解释工具的应用，包括特征相关性热图、散点密度图等可视化方法。文章提供了完整的代码实现流程，从数据读取、模型训练到结果评估和可视化分析，特别强调了SHAP在提升模型可解释性和论文价值中的作用。教程适合各类梯度提升模型使用者，并包含详细的环境配置指南，帮助初学者快速上手实践。
2025-11-24 12:38:28
1099
原创 Python | 贝叶斯搜索参数优化的XGBoost+SHAP可解释性分析回归预测及可视化算法
本文预告了一个Python教程系列，涵盖数据应用、算法理论和SHAP可解释性分析等内容。重点介绍了SHAP工具在提升论文可解释性方面的价值，能回答模型物理解释等问题。文章展示了三种可视化方法：特征相关性热图、散点密度图和贝叶斯优化参数图，详细解析了贝叶斯优化的智能调参原理及其对高成本模型的适用性。最后提供了代码获取方式和Anaconda安装指南，适合Python初学者快速上手进行XGBoost+SHAP的可解释性回归分析与可视化。
2025-11-23 16:22:15
566
原创 Python | XGBoost+SHAP可解释性分析回归预测及可视化算法
本文介绍了一个基于XGBoost和SHAP的回归预测Python教程。教程包含10个特征值和1个目标值的数据集，适用于多领域回归预测需求，如环境科学、医学、经济等。重点讲解了XGBoost算法原理及其优于传统GBDT的特性，包括二阶导数优化、抗过拟合机制和高效计算。同时详细阐述了SHAP理论，该解释性方法能公平评估各特征对预测结果的贡献。教程还提供了特征相关性热图、散点密度图等可视化工具，并包含完整代码获取方式和环境配置指南。适用于需要构建可解释预测模型的研究人员和开发者。
2025-11-22 19:42:25
2350
2
原创 多源数据融合中权重权重分配利器：变异系数法，让数据告诉你谁重要
变异系数法是一种客观赋权方法，通过计算指标的相对离散程度来确定权重。其核心思想是：波动大的指标信息量更丰富，应给予更高权重。算法步骤包括数据标准化（可选）、计算均值和标准差、求变异系数（CV=标准差/均值）并归一化得出权重。该方法操作简单、客观性强，适用于多指标评价和综合排序。但仅考虑离散度，可结合其他方法提升科学性。示例中，城市发展评价指标GDP等通过CV计算权重，差异明显的指标权重更高。
2025-10-30 13:10:17
471
原创 多源数据融合中权重不再靠感觉！熵权法帮你科学量化指标重要性
熵权法：客观赋权的数据驱动方法 熵权法是一种基于信息熵的多指标赋权技术，通过计算指标离散度客观确定权重。其核心原理是：指标数据变化越大、区分样本能力越强，则权重越高。该方法包含四个步骤： 数据标准化 计算指标比例 计算熵值 确定权重 优势在于客观性强、操作简单，适用于绩效考核、城市评价等多指标决策场景。但需注意，单纯依赖数据可能忽略实际业务需求，建议结合主观方法综合评估。
2025-10-29 12:17:03
424
原创 多源数据融合中做决策不再靠直觉！层次分析法（AHP）帮你科学选方案
层次分析法(AHP)是一种科学决策方法，通过构建层次结构、两两比较打分、计算权重和一致性检验，将复杂决策问题量化处理。该方法将决策分解为目标层、准则层和方案层，采用1-9标度法构建判断矩阵，计算特征向量得到权重，并通过一致性检验确保结果可靠。AHP具有层次清晰、定性定量结合、适用广泛的特点，适用于工程管理、金融决策等多种场景。结合CRITIC权重法可进一步提升决策客观性。
2025-10-28 12:23:42
365
原创 多源数据融合中多指标评价利器：CRITIC权重法，你真的会用吗？
CRITIC权重法是一种客观赋权的多指标评价方法，通过指标标准差和相关性计算权重。其核心思想是：离散程度大且相关性低的指标信息量更大，应赋予更高权重。算法步骤包括数据标准化、计算标准差和相关系数、评估冲突量，最终综合得出各指标权重。相比主观赋权法，CRITIC方法完全基于数据驱动，避免了专家打分的主观性，适用于城市竞争力评估等多指标决策场景。该方法兼顾指标区分度和独立性，计算简单高效，是科学评价指标重要性的有效工具。
2025-10-27 11:34:09
658
原创 【科研可视化】这张“雷达图”，让模型性能一眼看透！
这篇科研文章探讨了雷达图在机器学习模型性能对比中的高效可视化应用。文章指出，雷达图能直观展示不同模型（如RF、SVM、LSTM等）在多维指标（RMSE、MAE、R²等）下的表现，帮助快速识别最优算法、稳定性及过拟合情况。该图表适用于遥感反演、时序预测和多源数据融合等研究领域，既能提升论文视觉冲击力，又能降低理解门槛。文中还提供了MATLAB实现代码，强调配色、字体和归一化处理的重要性。作者认为，优秀的可视化不仅是数据展示，更是科研思维的延伸，能为论文和汇报增添叙事维度。
2025-10-23 20:02:05
530
原创 一文读懂！疯狂自适应樽海鞘分类预测算法的核心理论
摘要：本文介绍了一种改进的"疯狂自适应樽海鞘分类预测算法"，该算法在传统樽海鞘优化算法(SSA)基础上进行三大创新：1)引入数据复杂度评估因子，实现自适应搜索策略；2)采用动态步长调整机制，平衡探索与开发；3)加入分类损失引导，使优化更聚焦分类精度。实验显示，该算法在处理复杂数据时分类精度提升8%-15%，收敛速度提高30%-50%，特别适合处理高维、非线性、不平衡数据分类任务，且参数设置简单，计算效率高。
2025-08-27 12:50:59
611
原创 机器学习绘图神器！导师赞不绝口的高质量可视化PPT绘图模版！
🔹 想画一个，却被 PPT、Visio 折磨得抓狂？🔹 论文里需要，找不到高质量的素材？🔹 讲座课件想展示，但手绘不清楚？别急！在这里你可以一键获取的机器学习可视化图表！🚀。
2025-03-26 18:40:55
689
原创 盘点那些备受审稿专家青睐的PPT技术流程图
在科研论文、项目申报或学术汇报中，技术流程图不仅是逻辑的直观呈现，更是审稿专家评估研究严谨性与创新性的重要依据。例如，国自然项目中常用的“分栏式”框架（左侧逻辑思路、中间核心步骤、右侧研究方法），通过层次分明的布局强化逻辑链。例如，某生物医学论文采用“蓝-灰-白”三色搭配，关键步骤用深蓝标注，辅助说明用浅灰，整体协调且重点突出。：推荐使用无衬线字体（如思源黑体、Arial），字号统一为18-24pt，标题加粗，注释缩小至14pt，确保投影与印刷场景下的可读性5。那些备受审稿专家青睐的PPT技术流程图。
2025-03-21 10:14:33
1718
3
原创 重磅！2025年中科院预警期刊名单正式发布！
2025年预警期刊名单的发布，再次敲响了学术规范的警钟。科研人员需以“质量为王”，通过正规渠道投稿，并持续关注中科院等权威平台的动态更新。唯有维护健康的学术生态，才能推动中国科研在全球舞台上走得更远、更稳。
2025-03-20 21:43:27
4256
原创 【MATLAB】基于VMD-SSA-GRU的回归预测模型
基于VMD-SSA-GRU的回归预测模型是一种集成了变分模态分解（VMD）、同步滑动平均（SSA）和门控循环单元（GRU）的复杂时间序列预测方法。下面将详细介绍这三种技术结合在一起时的基本理论。变分模态分解（VMD）: 变分模态分解是一种信号处理技术，用于将非线性和非平稳信号分解为一组固有模态函数（IMFs），这些IMFs具有不同的频率特性。VMD通过优化算法来确定信号的内在频率成分，使得每个IMF都是一个局部振荡信号，并且满足一定的正交性条件。VMD的优势在于能够处理具有不同频率和幅度变化的复杂信号。
2024-05-27 09:16:09
1349
原创 【MATLAB】基于VMD-SSA-LSTM的回归预测模型
基于VMD-SSA-LSTM的回归预测模型是一种结合了多种时间序列分析和机器学习技术的综合模型。下面我将分别介绍这三个组成部分的基本原理，并解释它们是如何结合起来进行回归预测的。变分模态分解（VMD）: 变分模态分解（VMD）是一种用于信号处理的时频分析方法。它通过将一个复杂信号分解为一系列具有不同中心频率和频率宽度的固有模态函数（IMFs）。这些IMFs可以看作是信号的内在振荡模式，它们具有不同的频率特性和能量分布。VMD的目标是自动地将信号分解为一组优化的IMFs，以更好地表示信号的内在结构。
2024-05-24 09:50:20
951
原创 【MATLAB】基于EMD-PCA-LSTM的回归预测模型
基于EMD-PCA-LSTM的回归预测模型是一种结合了经验模态分解（Empirical Mode Decomposition, EMD）、主成分分析（Principal Component Analysis, PCA）和长短期记忆网络（Long Short-Term Memory, LSTM）的复杂回归序列预测方法。下面分别介绍这三个组成部分的基本原理以及它们是如何结合在一起的。经验模态分解（EMD）
2024-05-23 21:20:17
846
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人