一键式机器学习|百万算法一键搞定|轻松解决评价、降维、聚类、回归、分类、时序预测、多输入多输出、概率区间预测问题

0 前言

     写作业、打比赛、写论文，不会写代码怎么办？来看看神器系列的工具箱，不写代码，只需要几键就可以实现评价、降维、聚类、回归、分类、单元时间序列预测、多元时间序列预测，多输入多输出、回归概率区间预测、时序概率区间问题等，且支持一键导出代码，后期可以修改代码，进一步修改和改进。
     神器系列自面世几个月来不断改进，也已经有上万个用户了，在上万个数据集的检验下不断更新迭代，已经有许多用户已经成功运用工具箱比赛获奖、发专利、发论文啦，根据用户的需求，现在已经升级到V5/v6版本，以后还会根据用户的需求不断改进功能、增加算法。
     以下是部分用户的反馈，反馈太多只截取其中一部分。更有甚者，了解到有很多的辅导机构还有淘宝多机构，使用工具箱给学生辅导，相当于将几十块的工具箱内容卖给学生获得上万的利润，为啥要当这个冤大头，买个几十块的工具箱它不香嘛。换种话说，工具箱用得好简直是条致富道路，即使是小白也能快速出结果~

1 评价工具箱【pingjia】

    评价工具箱【pingjia_v5】现在已经升级到V5版本，以后还会根据用户的需求不断改进功能、增加算法。V5版本的工具箱支持一键导出代码，可以实现30种评价算法，除了前6种常用的评价算法，其余都是自研的新算法，现在有层次分析法、TOPSIS法、熵权法、变异系数法、CRITIC法、主成分分析法、熵权-秩和比法、变异系数-秩和比法、CRITIC-秩和比法、随机TOPSIS法、随机层次TOPSIS法、随机熵权TOPSIS法、随机变异系数TOPSIS法、层次-熵权法、层次-变异系数法、熵权-变异系数法、层次-熵权-变异系数法，在v3基础上更新3种灰色评价方法，熵权-灰色预测法、变异系数-灰色预测法、CRITIC-灰色预测；更新4种博弈组合方法和4种正态云组合方法分别是层次-熵权-博弈组合法、层次-变异系数-博弈组合法、熵权-变异系数-博弈组合法、层次-熵权-变异系数-博弈组合法、层次-熵权-正态云组合法、层次-变异系数-正态云组合法、熵权-变异系数-正态云组合法、层次-熵权-变异系数-正态云组合法，更新算法都是根据核心论文复现的，理论性强且应用新的评价方法。


  可视化方面，除了评分结果可视化，还新增了权重指标可视化，新增可视化的绘图，支持随机美化样式

 附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理。

2 降维聚类工具箱【DrCluster】

   【Drcluster_v5】现在已经更新到V5版本，支持一键导出代码，可以实现12种降维方法分别是nnmf、PCA、SVD、t-SNE、autoencoder、KPCA、SPCA、kernelPCA、MDS、isomap、SNE、autoencoder-EA，还有多种聚类方法kmeans聚类、kmedoid聚类、GMM高斯聚类、层次聚类、FCM聚类、ISODATA聚类、canopy聚类、kshape聚类、DBSCN聚类、谱聚类、SOM聚类、30智能优化算法（包括最新智能优化算法和改进优化算法）优化kmeans、优化kmedoid聚类、优化dbscn聚类、优化canopy聚类、优化kshape聚类、优化SOM聚类。

一键高维数据可视化，手写数据集的高维数据集PCA降维

一维数据聚类

二维聚类

三维数据聚类

高维数据聚类

附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理。

3 回归分类工具箱【RCpredict】

   目前RCpredict工具箱已经更新到v6版本， 主要能实现回归、分类和概率区间预测问题
回归方法概括：

分类方法包括：

回归概率区间预测方法概括：

3.1 数据处理功能

   支持文本、缺失、异常数据一键处理，保证多烂的数据集都能运行，这也是为啥能在一万多用户上运行的原因~，最重要的原因没有环境问题，在我电脑上运行是什么样，在用户电脑上运行也一定是什么样，小白非常有好！
  支持一键离散、字符类型数据处理、独热编码功能、四种离群点检测方法分别是3sigma、Zscore、箱线图、孤立森林检测法

3.2 样本增强功能

    新增样本增强功能真是提点小能手，基本上小样本的回归和分类数据集都能提升效果，小样本+样本增强 这妥妥是个强创新了，工具箱设置按钮一键式操作，保持测试集不变，样本增强前后效果立竿见影，而且回归、分类、概率区间预测都支持

   可以有效解决分类数据样本不平衡、少样本等问题，自定义分类倍数，能够让回归、分类数据整体更加平衡

注：数据增强只增强到训练集和验证集中，测试集保持不变，因此可以放心对比数据增强效果
二分类疾病诊断数据测试，分类效果有了明显提升
增强前测试集效果

增强后测试集效果

 

3.3 特征变换与选择功能

  支持12种特征选择方法分别是L1范数、L2范数、树模型、person相关性分析、spearman相关性分析、kendall相关性分析、REF特征选择、REFCV特征选择、MIC互信息特征选择、灰色关联分析特征选择、Relif特征选择、30种智能优化算法优化特征选择、七种特征变换方法分别是nnmf降维、PCA降维、MDS降维、SPE降维、t-SNE降维、KPCA降维、autoencoder降维。

  在原来的基础上新增了3种效果绝的特征选择算法，这三种算法自适应得到最优的特征组合，不需要提前设定算法，其中多种智能优化算法特征选择支持工具箱内置的30种智能优化算法优化出最佳算法组合。

  特别推荐多智能优化算法优化特征选择，可以采用一个新型的智能优化算法优化最优组合，这是我复现SCI一区论文的特征选择方法，能够自适应最佳特征组合，手册里面都有大概原理

3.4 回归方法

   能够组合出上万种方法，回归算法可以实现多元线性回归、多元LASSO回归、多元岭回归、LSBoost回归、XGBoost回归、高斯回归、高斯核回归、ELM回归、GRNN回归、GAM回归、决策树回归、随机森林回归、SVM回归、BP/MLP回归、LSTM回归、LSTM-attention回归、GRU回归、GRU-attention回归、CNN回归、BiLSTM回归、BiLSTM-attention回归、CNN-LSTM回归、CNN-LSTM-attention回归、CNN-GRU回归、CNN-GRU-attention回归、CNN-BiLSTM回归、CNN-BiLSTM-attention回归、CNN-LSTM-SE注意力机制回归、CNN-LSTM-GRU注意力机制回归、iTransformer-LSTM回归、iTransformer-GRU回归、iTransformer-BiLSTM回归、包括多种组合算法MLP-RF回归、MLP-DT回归、MLP-SVM回归、SVM-RF回归、优化MLP-RF回归、优化MLP-XGBoost回归、优化LSTM-XGBoost回归、优化BiLSTM-RF回归、优化BiLSTM-attention-RF回归、优化Transformer-LSTM-XGBoost回归、优化LSTM-attention-XGBoost回归、优化BiLSTM-RF回归、优化BiLSTM-attention-RF回归、优化CNNBiLSTM-XGBoost回归、优化CNNBiLSTM-attention-XGBoost回归、优化CNNGRU-XGBoost回归、优化CNNGRU-attention-XGBoost回归、优化Transformer-LSTM-RF回归、优化Transformer-BiLSTM-RF回归、优化Transformer-GRU-RF回归。

3.5 分类方法

  分类方法能实现最近邻分类、贝叶斯分类、决策树分类、随机森林分类、SVM分类、XGBoost分类、BP/MLP分类、LSTM分类、LSTM-attention分类、GRU分类、GRU-attention分类、CNN分类、BiLSTM分类、BiLSTM-attention分类、CNN-LSTM分类、CNN-LSTM-attention分类、CNN-GRU分类、CNN-GRU-attention分类、CNN-BiLSTM分类、CNN-BiLSTM-attention分类、CNN-LSTM-SE注意力机制分类、CNN-LSTM-GRU注意力机制分类、MLP-RF分类、MLP-DT分类、MLP-SVM分类、SVM-RF分类、优化MLP-RF分类、优化MLP-XGBoost分类、优化LSTM-XGBoost分类、优化BiLSTM-RF分类、优化BiLSTM-attention-RF分类、优化Transformer-LSTM-XGBoost分类、优化LSTM-attention-XGBoost分类、优化BiLSTM-RF分类、优化BiLSTM-attention-RF分类、优化CNNBiLSTM-XGBoost分类、优化CNNBiLSTM-attention-XGBoost分类、优化CNNGRU-XGBoost分类、优化CNNGRU-attention-XGBoost分类、优化Transformer-LSTM-RF分类、优化Transformer-BiLSTM-RF分类、优化Transformer-GRU-RF分类。

工具箱内所有的单个分类算法和组合分类算法都支持绘制ROC曲线，并且可以对比多个算法的ROC曲线

3.6 超参数优化功能

新的智能优化算法优化超参数可以算是最好上手的弱创新了

  工具箱几乎所有算法算法支持超参数优化，包括贝叶斯优化以及30种智能优化算法包括SSA麻雀搜索算法、BDO蜣螂优化算法、SCA正余弦优化算法、SA模拟退火优化算法、PSO粒子群优化算法、SO蛇优化算法、POA鹈鹕优化算法、GWO灰狼优化算法、IGWO改进灰狼优化算法、AVOA非洲秃鹰优化算法、CSA变色龙优化算法、GTO大猩猩优化算法、NGO北方苍鹰优化算法、WSO白鲨优化算法，还有近两年新发（CGO混沌博弈优化算法、INFO加权向量均值优化算法、COA浣熊优化算法、RIME冰霜优化算法、KOA开普勒优化算法、RUN龙格库塔优化算法、IVY常春藤优化算法、HOA徒步优化算法、BKA黑翅鸢优化算法、COA龙虾优化算法、BSLO吸水蛭优化算法、以及独特改进新型智能优化算法（GHOA映射和高斯游走改进HOA、GSSA映射和正余弦改进SSA、GBKA映射改进BKA、GRIME映射和反向学习改进RIME、GDPSO黄金正余弦改进PSO）

所有算法优化的超参数都会自行打印出来

"SSA麻雀搜索算法"    "优化 Transformer-G…"    "位置编码向量数:"    "16"    "  注意力机制头head:"    "8"    "  注意力机制键key:"    "16"

"  隐藏层神经元gruLa…"    "8"    "   dropoutLayer_r…"    "0.34329"    "   learnrate: "    "0.0024119"

所有智能优化算法的原文已经整理好，新型的改进智能优化算法方法也在手册有描述改进的地方

3.7 一键K折验证

  工具箱内所有的单个和组合回归以及分类算法都支持一键K折验证，可以验证优化前或者优化后的模型超参数在整个数据集循环的效果

3.8 概率区间预测

  除此之外V6版本能够实现一键概率区间预测，指标评价以及概率区间随机美化绘图，概率区间预测方法，回归赛道太卷了，形形色色就那样，没太大改进，如果能在回归的基础上实现概率区间预测，那是一个发论文，做课题的非常大的加分项，概率区间预测不仅能实现区间预测，还能得到概率区间范围，能够提供更多的预测信息

  在之前的基础上增加了多种深度学习分位数回归的概率区间区域方法

    工具箱的前3个区间预测模块都是根据验证集误差建模的，也就是说，这三种方法可以和任意回归方法组合，因此可以实现五万多种回归组合*3种概率区间方法的任意组合=15万种概率区间预测方法，而且设计了分层概率方式，后几种方法的概率区间预测也可以和均值预测组合。概率区间置信度值均可以自己设定。同时提供了matlab和python多种神经网络分位数回归示例，随机森林分位数示例以及python lightgbm、catboost分位数回归示例可以自由设置任意的概率区间，任何数据都适用，并且有丰富的5个评价指标，PICP、PINAW、CWC、MPICD、AIS
光伏数据集

风电数据集

3.9 一键SHAP分析功能

 MATLAB的SHAP分析也安排上了，目前只有特定模型能实现（bp神经网络、SVM、数模型、高斯回归模型等），如果模型实现不了会有提示语

   可以实现智能优化算法优化模型后再进行SHAP分析

附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理，配套手册366页

4 时序预测工具箱【MTpredict】

   目前MTpredict工具箱已经更新到v5版本， 支持一键导出代码，可以实现单时间序列预测、可知未来特征的多元时间序列预测、不可知未来特征的多元时间预测以及非时间序列的多输入多输出序列预测、以及单时间序列概率区间预测、可知未来特征的多元时间序列概率区间预测、不可知未来特征的多元时间概率预测以及非时间序列的多输入多输出序列概率区间预测

概率区间预测方法概括：

4.1 数据处理功能

   支持缺失、异常数据、插值等一键处理，保证多烂的数据集都能运行，这也是为啥能在一万多用户上运行的原因~，最重要的原因没有环境问题，在我电脑上运行是什么样，在用户电脑上运行也一定是什么样，小白非常有好！
  支持12种特征选择方法分别是L1范数、L2范数、树模型、person相关性分析、spearman相关性分析、kendall相关性分析、REF特征选择、REFCV特征选择、MIC互信息特征选择、灰色关联分析特征选择、Relif特征选择、30种智能优化算法优化特征选择、7种特征变换方法分别是nnmf降维、PCA降维、MDS降维、SPE降维、t-SNE降维、KPCA降维、autoencoder降维。有3种去噪方法VMD去噪、CWT去噪、NLM去噪，同时支持一键去除时序趋势项预测

4.2 序列分解功能

 支持VMD分解、EMD分解、EEMD分解、CEEMDAN分解、LMD分解、ITD分解、FMD分解、SSA分解、RLMD分解、30种智能优化算法优化VMD分解、30种智能优化算法优化CEEMDAN分解

4.3 预测算法功能

   在算法层面能实现60多种算法（对单时序预测、可以未来特征和不可知未来特征的多元时序预测、多输入多输出预测都使用）、分别是LSBoost算法、XGBoost算法、高斯核算法、GRNN算法、决策树算法、随机森林算法、SVM算法、BP/MLP算法、LSTM算法、GRU算法、CNN算法、BiLSTM算法、CNN-LSTM算法、CNN-GRU算法、CNN-BiLSTM算法、LSTM算法、GRU-attention算法、BiLSTM-attention算法、CNN-LSTM-attention算法、CNN-GRU-attention算法、CNN-BiLSTM-attention算法、CNN-GRU-SE注意力算法、CNN-LSTM-SE注意力算法、TCN算法、TCN-LSTM算法、TCN-LSTM-attention算法、TCN-GRU算法、TCN-GRU-attention算法、TCN-BiLSTM算法、TCN-BiLSTM-attention算法、Transformer-LSTM算法、Transformer-GRU算法、Transformer-BiLSTM算法、iTransformer算法、Transformer变体算法、CNN-iTransformer-LSTM算法、还有多种组合算法LSTM-XGB算法、LSTM-SVM算法、CNN-XGB算法、CNN-BiLSTM-XGB算法、CNN-BiLSTM-RF算法、优化LSTM-XGB算法、优化LSTM-SVM算法、优化CNN-XGB算法、CNN-BiLSTM-XGB算法、优化CNN-BiLSTM-RF算法、优化LSTM-attention-SVM算法、优化CNN_BiLSTM-attention-RF算法、优化TCN-LSTM-SVM算法、优化TCN-LSTM-attention-SVM算法、优化TCN-LSTM-XGB算法、优化TCN-LSTM-attention-XGB算法、优化Transformer-LSTM-SVM算法、优化iTransformer-SVM算法、优化Transformer-SVM算法、优化Transformer-LSTM-XGB算法、优化iTransformer-XGB算法、优化Transformer-XGB算法。
 

4.4  超参数优化功能

     新的智能优化算法优化超参数可以算是最好上手的创新点了

    工具箱几乎所有算法算法支持超参数优化，包括贝叶斯优化以及30种智能优化算法包括SSA麻雀搜索算法、BDO蜣螂优化算法、SCA正余弦优化算法、SA模拟退火优化算法、PSO粒子群优化算法、SO蛇优化算法、POA鹈鹕优化算法、GWO灰狼优化算法、IGWO改进灰狼优化算法、AVOA非洲秃鹰优化算法、CSA变色龙优化算法、GTO大猩猩优化算法、NGO北方苍鹰优化算法、WSO白鲨优化算法，还有近两年新发（CGO混沌博弈优化算法、INFO加权向量均值优化算法、COA浣熊优化算法、RIME冰霜优化算法、KOA开普勒优化算法、RUN龙格库塔优化算法、IVY常春藤优化算法、HOA徒步优化算法、BKA黑翅鸢优化算法、COA龙虾优化算法、BSLO吸水蛭优化算法、以及独特改进新型智能优化算法（GHOA映射和高斯游走改进HOA、GSSA映射和正余弦改进SSA、GBKA映射改进BKA、GRIME映射和反向学习改进RIME、GDPSO黄金正余弦改进PSO）

所有算法优化的超参数都会自行打印出来

"SSA麻雀搜索算法"    "优化 Transformer-G…"    "位置编码向量数:"    "16"    "  注意力机制头head:"    "8"    "  注意力机制键key:"    "16"

"  隐藏层神经元gruLa…"    "8"    "   dropoutLayer_r…"    "0.34329"    "   learnrate: "    "0.0024119"

所有智能优化算法的原文已经整理好，新型的改进智能优化算法方法也在手册有描述改进的地方

4.5 时序概率区间预测功能

     概率区间预测可以实现高斯区间预测、KDE区间预测、boostrap区间预测、LSTM区间预测、GRU区间预测、CNN区间预测、BiLSTM区间预测、CNN-LSTM区间预测、CNN-BiLSTM区间预测、CNN-GRU区间预测、Transformer-LSTM区间预测

  附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理，目前已经有260页手册

 

获取方式

    在公棕号【Lvy的口袋】回复关键词【工具箱】获取

    或者看公众号的主栏页~