分类预测 | Matlab实现NGO-KELM北方苍鹰算法优化核极限学习机分类预测

分类预测 | Matlab实现NGO-KELM北方苍鹰算法优化核极限学习机分类预测

分类效果

基本描述

1.Matlab实现NGO-KELM北方苍鹰算法优化核极限学习机分类预测（完整源码和数据)
2.北方苍鹰算法优化核极限学习机(NGO-KELM)分类预测
3.优化参数为正则化系数C和核函数参数G。
4.自带数据为mat数据，多输入，单输出，多分类。程序可出分类效果图，迭代图，混淆矩阵图。
5.直接替换数据即可使用，保证程序可正常运行。北方苍鹰算法、核极限学习机。运行环境MATLAB2018及以上。
6.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

程序设计

• 完整程序和数据获取方式（资源处直接下载）Matlab实现NGO-KELM北方苍鹰算法优化核极限学习机分类预测。

%% 获取最优正则化系数 C 和核函数参数 S
Regularization_coefficient = Best_score(1);
Kernel_para = Best_score(2);
Kernel_type = 'rbf';
%% 训练
[TrainOutT,OutputWeight] = kelmTrain(P_train,T_train,Regularization_coefficient,Kernel_type,Kernel_para);
%% 训练集预测
InputWeight = OutputWeight;
[TestOutT] = kelmPredict(P_train,InputWeight,Kernel_type,Kernel_para,P_test);
%% 训练集正确率
errorTrain = TrainOutT - T_train;
accuracyTrain = sum(errorTrain == 0)/length(T_train);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229