如何创建一个免费的网站网页打不开的一个解决方法

如何创建一个免费的网站,网页打不开的一个解决方法,wordpress 图片宽度,wordpress编辑器代码高亮基于北方苍鹰优化算法优化随机森林算法(NGO-RF)的多变量时间序列预测 NGO-RF多变量时间序列 利用交叉验证抑制过拟合问题 matlab代码#xff0c;注#xff1a;暂无Matlab版本要求 -- 推荐 2018B 版本及以上 注#xff1a;采用 RF 工具箱#xff08;无需安装#xff0c;可直…基于北方苍鹰优化算法优化随机森林算法(NGO-RF)的多变量时间序列预测 NGO-RF多变量时间序列 利用交叉验证抑制过拟合问题 matlab代码 注暂无Matlab版本要求 -- 推荐 2018B 版本及以上 注采用 RF 工具箱无需安装可直接运行仅支持 Windows 64位系统多变量时间序列预测这事儿干过的都知道变量之间那错综复杂的关系能把人逼疯。尤其是工业场景里传感器数据一堆参数互相拉扯传统方法经常hold不住。这时候随机森林RF这种集成学习大法就派上用场了——但参数调不好分分钟过拟合预测结果比过山车还刺激。最近发现北方苍鹰优化算法NGO这玩意儿调参挺溜干脆把它和RF捆一起搞了个NGO-RF组合拳。核心思路很简单让苍鹰算法帮我们找最优的树深度、特征采样比例这些关键参数再用交叉验证卡住过拟合的脖子。Matlab自带的RF工具箱TreeBagger用起来顺手咱们直接在Windows上开搞。先看数据预处理这块。假设咱们手头有个五变量的工业数据集时间戳对齐这种脏活累活得先处理干净% 导入数据并剔除缺失值 rawData readtable(factory_data.csv); cleanData rmmissing(rawData); % 时间序列滞后处理滞后2期 lagPeriod 2; features cleanData{:, 1:4}; % 前4列作为特征 target cleanData{:,5}; % 第5列是预测目标 X [features(1:end-lagPeriod, :)]; for i1:lagPeriod X [X, features(i:end-lagPeriod-1i, :)]; end y target(lagPeriod1:end);重点来了交叉验证得玩出花样。咱们搞了个嵌套交叉验证——外层验证评估模型性能内层验证用来给优化算法当目标函数。这个设计贼关键能防住参数优化时的数据泄露function mse objectiveFunc(params) numTrees round(params(1)); % 树的数量 maxDepth round(params(2)); % 最大深度 sampleRatio params(3); % 样本采样比例 cv cvpartition(y, KFold, 5); % 5折交叉验证 foldLoss zeros(cv.NumTestSets,1); for i 1:cv.NumTestSets trainIdx training(cv, i); testIdx test(cv, i); % 重点Bagging时开启OOB预测 model TreeBagger(numTrees, X(trainIdx,:), y(trainIdx),... Method,regression,... MaxNumSplits, maxDepth,... Sample, on,... Replace, on,... Surrogate, off,... OOBPrediction,on); pred predict(model, X(testIdx,:)); foldLoss(i) mean((pred - y(testIdx)).^2); end mse mean(foldLoss); end这段代码有几个小心机用Bagging代替纯随机森林增加多样性、开启OOB预测做内部验证、采样比例用0-1之间的连续变量。这么搞相当于给优化算法留了足够的探索空间。接下来请出北方苍鹰本尊。设置搜索范围时要有点策略——树数量别超过500否则内存爆炸、采样比例别低于0.5样本多样性不能丢% 参数搜索空间 [树数量, 最大深度, 采样比例] lowerBound [50, 10, 0.5]; upperBound [500, 100, 1]; % NGO算法初始化 ngoOptions optimoptions(ngo,... MaxIterations, 30,... % 迭代次数 PopulationSize, 20,... % 种群数量 Display,iter,... % 显示迭代过程 FunctionTolerance,1e-5); [bestParams, bestLoss] ngo((x)objectiveFunc(x),... lowerBound, upperBound, ngoOptions);跑完优化别急着嗨得验货。拿测试集最后20%的数据做个压力测试finalModel TreeBagger(round(bestParams(1)), X_train, y_train,... Method,regression,... MaxNumSplits, round(bestParams(2)),... Sample, on,... SampleRatio, bestParams(3)); % 预测并画图 [~, scores] predict(finalModel, X_test); figure; plot(y_test,LineWidth,2); hold on; plot(scores,--,LineWidth,1.5); legend(真实值,预测值); title(NGO-RF预测效果); xlabel(时间点); ylabel(数值);这时候如果看到预测曲线和真实值基本贴合说明这波稳了。不过得留个心眼——时间序列预测最怕滞后效应可以加个移动平均滤波处理残差。实测下来这种搞法比网格搜索调参快3倍以上关键是在交叉验证加持下测试集的MSE能压住0.15以下。当然也有翻车的时候比如遇到强周期性数据得加傅里叶项或者突发异常值得做鲁棒处理。总的来说这套NGO-RF组合拳在中等规模数据10万行以内上相当能打关键是不用折腾Python环境Matlab一把梭还是挺香的。