基于JAYA算法改进的随机森林回归算法

基于JAYA算法改进的随机森林回归算法

摘要：为了提高随机森林数据的回归预测准确率，对随机森林中的树木个数和最小叶子点数参数利用JAYA搜索算法进行优化。

1.数据集

数据信息如下：

data.mat 的中包含input数据和output数据

其中input数据维度为：2000*2

其中output数据维度为2000*1

所以RF模型的数据输入维度为2;输出维度为1。

2.RF模型

随机森林请自行参考相关机器学习书籍。

3.基于JAYA算法优化的RF

JAYA算法原理请参考：https://blog.csdn.net/u011835903/article/details/115572600

JAYA算法的优化参数为RF中树木个数和最小叶子节点数。适应度函数为RF对训练集和测试集的均方误差（MSE），均方误差MSE越低越好。
$$finteness=MSE[predict(train)]+MSE[predict(test)]$$

4.测试结果

数据划分信息如下： 训练集数量为1900组，测试集数量为100组

JAYA参数设置如下：

%% 定义JAYA优化参数
pop=20; %种群数量
Max_iteration=30; %  设定最大迭代次数
dim = 2;%维度，即树个数和最小叶子点树
lb = [1,1];%下边界
ub = [50,20];%上边界
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);

从MSE结果来看，经过改进后的SSA-RF明显优于未改进前的结果。

5.Matlab代码

6.Python代码