【MATLAB第90期】基于MATLAB的高斯过程、核函数、树模型、近邻模型等多输入单输出回归预测模型合集（RLR、ARES、WKNNR、KSNR、RKS、VHGPR、WGPR、SSGPR、TGP）

最新推荐文章于 2024-04-22 16:11:23 发布

随风飘摇的土木狗

最新推荐文章于 2024-04-22 16:11:23 发布

阅读量1.2k

点赞数 17

文章标签： matlab 回归预测高斯过程核函数线性模型多输入单输出树模型

本文链接：https://blog.csdn.net/qq_29736627/article/details/135574199

版权

【MATLAB第90期】基于MATLAB的高斯过程、核函数、树模型、近邻模型等多输入单输出回归预测模型合集（RLR、ARES、WKNNR、KSNR、RKS、VHGPR、WGPR、SSGPR、TGP等）

本文展示多种非常用多输入单输出回归预测模型效果，精力不够，原理还需自行研究，下期展示多输入多输出回归模型。

注：每次运行数据训练集测试集为随机，故对比不严谨，不能完全反映模型效果。

通用代码展示

%%  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
addpath(genpath('funcs')); % 添加函数路径
%% 选择模型
METHODS = {'XXX'}
%%  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';

一、高斯过程模型

1、变分异方差高斯过程回归（VHGPR）

Training VHGPR…
训练集数据的RMSE为：0.016666
测试集数据的RMSE为：0.18835
训练集数据的R2为：1
测试集数据的R2为：0.99948
训练集数据的MAE为：0.011272
测试集数据的MAE为：0.14145
训练集数据的MBE为：-2.2914e-06
测试集数据的MBE为：0.034171
在这里插入图片描述

在这里插入图片描述

2、扭曲高斯过程（WGPR）

Training WGPR…
训练集数据的RMSE为：1.7261
测试集数据的RMSE为：0.25173
训练集数据的R2为：0.94903
测试集数据的R2为：0.99908
训练集数据的MAE为：0.2062
测试集数据的MAE为：0.19946
训练集数据的MBE为：-0.19288
测试集数据的MBE为：0.075477
在这里插入图片描述

3、稀疏谱高斯过程回归（SSGPR）

Training SSGPR…
训练集数据的RMSE为：0.10094
测试集数据的RMSE为：0.31474
训练集数据的R2为：0.99982
测试集数据的R2为：0.9986
训练集数据的MAE为：0.077379
测试集数据的MAE为：0.2635
训练集数据的MBE为：5.0428e-06
测试集数据的MBE为：-0.13301
在这里插入图片描述

4、双高斯过程（TGP）

Training TGP…
训练集数据的RMSE为：2.7287
测试集数据的RMSE为：3.3977
训练集数据的R2为：0.87263
测试集数据的R2为：0.83159
训练集数据的MAE为：2.1133
测试集数据的MAE为：2.8297
训练集数据的MBE为：0.4433
测试集数据的MBE为：1.9482

在这里插入图片描述

二、核函数方法

1、核岭回归（KRR）

Training KRR…
训练集数据的RMSE为：0.33879
测试集数据的RMSE为：0.56033
训练集数据的R2为：0.99804
测试集数据的R2为：0.99542
训练集数据的MAE为：0.25441
测试集数据的MAE为：0.47222
训练集数据的MBE为：-0.00016191
测试集数据的MBE为：0.2451
在这里插入图片描述

2、相关向量机（RVM）

Training RVM…
训练集数据的RMSE为：0.62349
测试集数据的RMSE为：0.81944
训练集数据的R2为：0.99335
测试集数据的R2为：0.9902
训练集数据的MAE为：0.48202
测试集数据的MAE为：0.68016
训练集数据的MBE为：0.070944
测试集数据的MBE为：0.042825
在这里插入图片描述

3、内核信噪比回归（KSNR）

Training KSNR…
训练集数据的RMSE为：2.1384
测试集数据的RMSE为：2.276
训练集数据的R2为：0.92178
测试集数据的R2为：0.92443
训练集数据的MAE为：1.6902
测试集数据的MAE为：1.7698
训练集数据的MBE为：-0.08401
测试集数据的MBE为：0.32953
在这里插入图片描述

4.1、结构化核岭回归（SKRRlin线性核函数）

Training SKRRlin…
训练集数据的RMSE为：0.15893
测试集数据的RMSE为：0.59542
训练集数据的R2为：0.99957
测试集数据的R2为：0.99483
训练集数据的MAE为：0.1034
测试集数据的MAE为：0.46915
训练集数据的MBE为：-0.00014766
测试集数据的MBE为：0.2408
在这里插入图片描述

4.2、结构化核岭回归（SKRRrbf径向基核函数）

Training SKRRrbf…
训练集数据的RMSE为：0.39874
测试集数据的RMSE为：0.57187
训练集数据的R2为：0.99728
测试集数据的R2为：0.99523
训练集数据的MAE为：0.31558
测试集数据的MAE为：0.48255
训练集数据的MBE为：-0.0075955
测试集数据的MBE为：0.21179
在这里插入图片描述

5、随机Kitchen Sinks回归（RKS）

Training RKS…
训练集数据的RMSE为：0.73691
测试集数据的RMSE为：1.0498
训练集数据的R2为：0.99084
测试集数据的R2为：0.98336
训练集数据的MAE为：0.36676
测试集数据的MAE为：0.7065
训练集数据的MBE为：-0.13532
测试集数据的MBE为：-0.30309

在这里插入图片描述

6、多元向量机回归（MSVR）

Training MSVR…
训练集数据的RMSE为：0.34248
测试集数据的RMSE为：0.56133
训练集数据的R2为：0.99796
测试集数据的R2为：0.99518
训练集数据的MAE为：0.27171
测试集数据的MAE为：0.4867
训练集数据的MBE为：0.0050311
测试集数据的MBE为：0.12303
在这里插入图片描述

三、树模型方法

1、决策树（TREE）

Training TREE…
训练集数据的RMSE为：1.9551
测试集数据的RMSE为：5.4426
训练集数据的R2为：0.93647
测试集数据的R2为：0.4358
训练集数据的MAE为：1.4319
测试集数据的MAE为：4.0959
训练集数据的MBE为：3.9968e-16
测试集数据的MBE为：1.6995
在这里插入图片描述

2、套袋树（BAGTREE）

Training BAGTREE…
训练集数据的RMSE为：3.1184
测试集数据的RMSE为：3.387
训练集数据的R2为：0.84948
测试集数据的R2为：0.74459
训练集数据的MAE为：2.3538
测试集数据的MAE为：2.5884
训练集数据的MBE为：0.019152
测试集数据的MBE为：0.87346
在这里插入图片描述

在这里插入图片描述

3、BOOST增强树（BOOST）

Training BOOST…
训练集数据的RMSE为：0.45363
测试集数据的RMSE为：3.2551
训练集数据的R2为：0.99706
测试集数据的R2为：0.49039
训练集数据的MAE为：0.34702
测试集数据的MAE为：2.5469
训练集数据的MBE为：-1.9096e-15
测试集数据的MBE为：1.2468
在这里插入图片描述

4、增强随机森林（LSBoost）

Training LSBoost…
训练集数据的RMSE为：8.6842e-15
测试集数据的RMSE为：4.7295
训练集数据的R2为：1
测试集数据的R2为：0.20343
训练集数据的MAE为：5.6843e-15
测试集数据的MAE为：3.2471
训练集数据的MBE为：-7.1054e-16
测试集数据的MBE为：1.3153
在这里插入图片描述

5、XGBOOST

Training XGB…
训练集数据的RMSE为：2.0128
测试集数据的RMSE为：2.9735
训练集数据的R2为：0.93462
测试集数据的R2为：0.84466
训练集数据的MAE为：1.5351
测试集数据的MAE为：2.4029
训练集数据的MBE为：-0.47213
测试集数据的MBE为：-0.36939
在这里插入图片描述

6、典型相关森林(CCF)

Training CCF…
训练集数据的RMSE为：0.91915
测试集数据的RMSE为：3.5783
训练集数据的R2为：0.98423
测试集数据的R2为：0.84609
训练集数据的MAE为：0.57309
测试集数据的MAE为：2.5601
训练集数据的MBE为：2.2204e-16
测试集数据的MBE为：0.025749
在这里插入图片描述

四、近邻模型

1、加权k近邻回归（WKNNR）

Training WKNNR…
训练集数据的RMSE为：2.1587
测试集数据的RMSE为：3.9624
训练集数据的R2为：0.92544
测试集数据的R2为：0.64301
训练集数据的MAE为：0.89757
测试集数据的MAE为：3.4489
训练集数据的MBE为：-0.37871
测试集数据的MBE为：0.47239
在这里插入图片描述

五、样条和多项式模型

1、自适应回归样条（ARES）

Training ARES…
训练集数据的RMSE为：0.95868
测试集数据的RMSE为：1.3617
训练集数据的R2为：0.98322
测试集数据的R2为：0.97587
训练集数据的MAE为：0.77316
测试集数据的MAE为：1.0322
训练集数据的MBE为：-4.5741e-15
测试集数据的MBE为：-0.19157
在这里插入图片描述

六、线性模型

1、正则化最小二乘线性回归（RLR）

Training RLR…
训练集数据的RMSE为：2.6462
测试集数据的RMSE为：2.628
训练集数据的R2为：0.87657
测试集数据的R2为：0.90482
训练集数据的MAE为：2.0441
测试集数据的MAE为：2.0641
训练集数据的MBE为：-0.22047
测试集数据的MBE为：0.46421
在这里插入图片描述

2、最小绝对收缩和选择算子（LASSO）

Training LASSO…
训练集数据的RMSE为：3.1169
测试集数据的RMSE为：2.8036
训练集数据的R2为：0.8477
测试集数据的R2为：0.84448
训练集数据的MAE为：2.4504
测试集数据的MAE为：2.2981
训练集数据的MBE为：2.5313e-15
测试集数据的MBE为：0.39718
在这里插入图片描述

3、弹性网络（ENET）

Training ENET…
训练集数据的RMSE为：8.4106
测试集数据的RMSE为：8.9988
训练集数据的R2为：-0.18305
测试集数据的R2为：-0.32423
训练集数据的MAE为：7.882
测试集数据的MAE为：8.5637
训练集数据的MBE为：-7.882
测试集数据的MBE为：-8.5637

在这里插入图片描述

七、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“90期”以及相应指令，即可获取对应下载方式。

随风飘摇的土木狗

关注

17
点赞
踩
22

收藏

觉得还不错? 一键收藏
打赏
0
评论
【MATLAB第90期】基于MATLAB的高斯过程、核函数、树模型、近邻模型等多输入单输出回归预测模型合集（RLR、ARES、WKNNR、KSNR、RKS、VHGPR、WGPR、SSGPR、TGP）

本文展示多种非常用多输入单输出回归预测模型效果，精力不够，原理还需自行研究，下期展示多输入多输出回归模型。注：每次运行数据训练集测试集为随机，故对比不严谨，不能完全反映模型效果。
复制链接

扫一扫