回归预测 | MATLAB实现PCA-BiLSTM主成分双向长短期记忆神经网络多输入单输出

回归预测 | MATLAB实现PCA-BiLSTM主成分双向长短期记忆神经网络多输入单输出

写在前面

程序获取 | 机器学习/深度学习程序获取方式，本篇文章程序和数据通过订阅组合优化专栏可以获取，程序和数据订阅后私信我，同时订阅后获取组合优化专栏收录的全部完整程序；也可以直接在机器学习之心资源处下载：MATLAB实现PCA-BiLSTM主成分双向长短期记忆神经网络多输入单输出完整程序和数据。

效果一览

基本描述

降维就是一种对高维度特征数据预处理方法。降维是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常广泛的数据预处理方法。PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。本文基于MATLAB实现PCA-BiLSTM主成分双向长短期记忆神经网络多输入单输出。

程序设计

% CSDN博客主：机器学习之心
clc;
clear;
warning off;
data = xlsread('data.xlsx', 'Sheet1', 'A3:M1250');
x=data(:,1:12);
y=data(:,13);
% 求因子维度
[r,c]=size(x);
% 求因子均值
aver=mean(x);
% 求因子标准差
stdcov=std(x);
% 求目标均值
y_aver=mean(y);
% 求目标方差
y_stdcov=std(y);
% 数据标准化
stdarr=(x-aver(ones(r,1),:))./stdcov(ones(r,1),:); 
 std_y=(y-y_aver(ones(r,1)))./y_stdcov(ones(r,1));
% 计算相关系数矩阵
covArr=cov(stdarr);
%% 相关系数矩阵进行主成分分析
[pc1,latent,explain]=pcacov(covArr);
d=repmat(sign(sum(pc1)),size(pc1,1),1);
pc=pc1.*d;
sumcontr=0;
i=1;
% 选取贡献率大于90%的主成分
er=90;
while sumcontr<er
    sumcontr=sumcontr+explain(i);
    i=i+1;
end
pcNum=i-1;

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127993418
[2] https://blog.csdn.net/kjm13182345320/article/details/127545080