回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测

回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测

目录

    • 回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测
      • 效果一览
      • 基本介绍
      • 程序设计
      • 参考资料

效果一览

回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第1张图片

回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第2张图片

回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第3张图片
回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第4张图片
回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第5张图片

回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第6张图片
回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第7张图片
回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第8张图片
回归预测 | MATLAB实现SCN随机配置网络多输入单输出回归预测_第9张图片

基本介绍

Matlab实现SCN随机配置网络多变量回归预测
1.data为数据集,7个输入特征,1个输出特征,运行环境Matlab2018b及以上。
2.main.m为主程序文件,其余为函数文件,无需运行。
3.命令窗口输出MAE、MAPE、RMSE和R2,可在下载区获取数据和程序内容。
4.赠送一个PDF学习资料。

程序设计

  • 完整源码和数据获取方式:私信回复MATLAB实现SCN随机配置网络多输入单输出回归预测
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res = xlsread('data.xlsx');

%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);



%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test);

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

%%  均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);



%%  相关指标计算
% 决定系数 R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

disp(['训练集数据的R2为:', num2str(R1)])
disp(['测试集数据的R2为:', num2str(R2)])

% 平均绝对误差 MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;

disp(['训练集数据的MAE为:', num2str(mae1)])
disp(['测试集数据的MAE为:', num2str(mae2)])

% 平均相对误差 MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;

disp(['训练集数据的MBE为:', num2str(mbe1)])
disp(['测试集数据的MBE为:', num2str(mbe2)])

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718

你可能感兴趣的:(回归预测,SCN,随机配置网络,多输入单输出,回归预测)