基于海鸥算法改进的随机森林回归算法 - 附代码
基于海鸥算法改进的随机森林回归算法 - 附代码
文章目录
- 基于海鸥算法改进的随机森林回归算法 - 附代码
- 1.数据集
- 2.RF模型
- 3.基于海鸥算法优化的RF
- 4.测试结果
- 5.Matlab代码
- 6.Python代码
摘要:为了提高随机森林数据的回归预测准确率,对随机森林中的树木个数和最小叶子点数参数利用海鸥搜索算法进行优化。
1.数据集
数据信息如下:
data.mat 的中包含input数据和output数据
其中input数据维度为:2000*2
其中output数据维度为2000*1
所以RF模型的数据输入维度为2;输出维度为1。
2.RF模型
随机森林请自行参考相关机器学习书籍。
3.基于海鸥算法优化的RF
海鸥搜索算法的具体原理参考博客:https://blog.csdn.net/u011835903/article/details/107535864
海鸥算法的优化参数为RF中树木个数和最小叶子节点数。适应度函数为RF对训练集和测试集的均方误差(MSE),均方误差MSE越低越好。
f
i
n
t
e
n
e
s
s
=
M
S
E
[
p
r
e
d
i
c
t
(
t
r
a
i
n
)
]
+
M
S
E
[
p
r
e
d
i
c
t
(
t
e
s
t
)
]
finteness = MSE[predict(train)] + MSE[predict(test)]
finteness=MSE[predict(train)]+MSE[predict(test)]
4.测试结果
数据划分信息如下: 训练集数量为1900组,测试集数量为100组
海鸥参数设置如下:
%% 定义海鸥优化参数
pop=20; %种群数量
Max_iteration=30; % 设定最大迭代次数
dim = 2;%维度,即树个数和最小叶子点树
lb = [1,1];%下边界
ub = [50,20];%上边界
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);
从MSE结果来看,经过改进后的海鸥-RF明显优于未改进前的结果。