多输入多输出 | Matlab实现基于LightGBM多输入多输出预测

多输入多输出 | Matlab实现基于LightGBM多输入多输出预测

预测效果

基本介绍

Matlab实现基于LightGBM多输入多输出预测（完整源码和数据）
1.data为数据集，输入多个特征，输出多个变量。
2.main.m为程序主文件，其他为函数文件无需运行。
3.命令窗口输出MBE、MAE、RMSE、R^2和MAPE，可在下载区获取数据和程序内容。
注意程序和数据放在一个文件夹，运行环境为Matlab2018及以上。

程序设计

• 完整源码和数据获取方式：私信博主回复Matlab实现基于LightGBM多输入多输出预测。

%%  设置参数
parameters = containers.Map;
parameters('verbose') = 1;              % 可视化训练信息
parameters('task') = 'train';           % 训练模型
parameters('num_threads') = 1;          % 阈值
parameters('num_leaves') = 4;           % 叶子节点数
parameters('boosting_type') = 'gbdt';   % 设置提升类型
parameters('feature_fraction') = 0.9;   % 建树的特征选择比例
parameters('bagging_fraction') = 0.8;   % 建树的样本采样比例
parameters('objective') = 'regression'; % 回归任务

%%  训练网络
num_boost_round = 20;                   % 最大迭代次数
early_stopping_rounds = 5;              % 早停参数
[booster, bestIteration, metrics, metricNames] = train(pv_train, parameters, num_boost_round, pv_test, early_stopping_rounds);

%%  特征的重要性
importance = booster.importance;

%%  仿真测试
t_sim1 = booster.predictMatrix(p_train, bestIteration);
t_sim2 = booster.predictMatrix(p_test , bestIteration);

%%  数据转置
t_sim1 = t_sim1'; t_sim2 = t_sim2';

%%  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);

%%  绘制特征重要性
figure
bar(importance)
legend('重要性')
xlabel('特征')
ylabel('重要性')

参考资料

[1] https://blog.csdn.net/kjm13182345320/category_11003178.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/117378431
[3] https://blog.csdn.net/kjm13182345320/article/details/118253644