高斯模型加载
install.packages('mlegp') # 安装包
library(mlegp) # 加载包
data=read.csv('training.csv') #训练集数据读取
str(data) #查看训练集数据
testdata=read.csv('test.csv') # 验证集数据读取
str(testdata) #查看验证集数据
x<-data[1:8] #训练集数据X
y<-data[9] # #预测集数据Y
fit1 = mlegp(x, log(y)) #建立一般高斯模型
summary(fit1) #查看模型结果
plot(fit1) #模型分布可视化
cv = CV(fit1) #计算模型预测残差
a1=cv[,2]
m1=abs(a1)
m1
z1=sum(m1)
MAD1<-z1/100
MAD1
mode2
fit2 = mlegp(x,log(y))
a2=cv[,2]
m2=abs(a2)
z2=sum(m2)
MAD2<-exp(z2/100)
MAD2
mode3
fit3 = mlegp(x,y, nugget =0, nugget.known = 1)
a3=cv[,2]
m3=abs(a3)
m3
z3=sum(m3)
MAD3<-z3/100
MAD3
mode4
fit4 = mlegp(x,log(y), nugget =0, nugget.known = 1)
cv = CV(fit4)
a4=cv[,2]
m4=abs(a4)
m4
z4=sum(m4)
MAD4<-z4/100
MAD4
模型预测
xtest <- testdata[1:8] #验证集数据
predictY <- predict(fit3, xtest)# 预测验证集数据结果
cancha<-round(predictY - testdata$y,6) #计算预测误差
m5=abs(cancha)
m5
z5=sum(m5)
MAD5<-z5/100
MAD5
str(testdata)
previous<-round(testdata$y - testdata$estimate,6) #计算原始方法误差
m6=abs(previous)
m6
z6=sum(m6)
MAD6<-z6/100
MAD6