【MATLAB第96期】基于MATLAB的SVM(线性)、SVM(高斯)、决策树、KNN等机器学习算法回归及分类Boost集成学习模型（含不同模型权重）

随风飘摇的土木狗2024-02-04 6:09

【MATLAB第96期】基于MATLAB的SVM(线性)、SVM(高斯)、决策树、KNN等机器学习算法回归及分类Boost集成学习模型（含不同模型权重）

引言

文章使用Boost集成学习方法，对多个机器学习模型进行融合，并通过算法得到对应权重。

因暂时精力有限，仅展示了测试集预测结果，以及有限的机器学习算法模型，包括不同核函数的支持向量机svm（linear、gaussian）、不同NumNeighbors值的K邻近KNN算法以及决策树算法。

后期将不定期更新训练集预测效果、多种机器学习算法以及多种集成算法的结果。

一、分类预测

1、数据设置：

12特征变量，1因变量，4分类

clike 复制代码

%%  1.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
%%  2.导入数据
res = xlsread('数据集C.xlsx');

%%  3.划分训练集和测试集
temp = randperm(357);

P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);

P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);

%%  4.数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input );
t_train = T_train;
t_test  = T_test ;

2、训练学习器

Learner = {'SVM(线性)', 'SVM(高斯)', 'KNN(1)', 'KNN(2)', 'KNN(3)', '决策树'}

3、集成结果

二、回归预测

1、数据设置：

7特征变量，1因变量

clike 复制代码

%%  1.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

%%  2.导入数据
res = xlsread('数据集.xlsx');

%%  3.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);

%%  4.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);

2、训练学习器

Learner = {'SVM(线性)', 'SVM(高斯)', '决策树'}；

3、集成结果

三、代码获取

1.阅读首页置顶文章

2.关注CSDN

3.根据自动回复消息，回复"96期"以及相应指令，即可获取对应下载方式。