线性回归、BP神经网络、支持向量机、随机森林算法对比
一、概念
各种模型算法概念可以参考往期文章:
开通头条号|细思极恐!股票价格竟是可预测Python集成算法
二、关于XGboost回归预测锂电池的健康状态(SOH)
现在做预测锂电池的健康状态SOH,电池的电压、电压差、温度、温度差作为模型的特征输入,相应的健康状态SOH作为模型的输出,模型用XGboost。
将其预测精度与线性回归、BP神经网络、支持向量机、随机森林进行对比,XGboost的预测精度要比它们都要高。用图来显示
例如:下图就是用图来表示随机森林在回归预测锂电池的SOC上,其精度比BP神经网络、T-S模糊神经网络要好。
![3b5e6bbadc90d8d20e5d9846428bc5f3.png](https://img-blog.csdnimg.cn/img_convert/3b5e6bbadc90d8d20e5d9846428bc5f3.png)
数据如下:
![02d1387e3167361e99cc580961351ea6.png](https://img-blog.csdnimg.cn/img_convert/02d1387e3167361e99cc580961351ea6.png)
![ef99141df8c53c6eb97490f809da6513.png](https://img-blog.csdnimg.cn/img_convert/ef99141df8c53c6eb97490f809da6513.png)
![3a8750304738381743330fd1a93161bd.png](https://img-blog.csdnimg.cn/img_convert/3a8750304738381743330fd1a93161bd.png)
Python算法-关于XGboost回归预测锂电池的健康状态(SOH)及与其他算法的预测精度对比:
import pandas as pd
import matplotlib. pyplot as plt
import xgboost as xgb
from s