分类预测 | Matlab实现基于LightGBM的多特征输入多类别输出模型

本文主要是介绍分类预测 | Matlab实现基于LightGBM的多特征输入多类别输出模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

分类预测 | Matlab实现基于LightGBM的多特征输入多类别输出模型

分类效果

基本介绍

1.Matlab实现基于LightGBM的数据分类预测模型Matlab程序 多特征输入多类别输出，运行环境为Matlab2018及以上。
2.多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换excel数据就可以用;
3.程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。
4.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私信博主回复Matlab实现基于LightGBM的数据分类预测模型（完整源码和数据）。

%%  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%%  导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集%
P_train = res(1: 250, 1: 12)';
T_train = res(1: 250, 13)';
M = size(P_train, 2);P_test = res(251: end, 1: 12)';
T_test = res(251: end, 13)';
N = size(P_test, 2);
%% 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;T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);
%% 性能评价
error1 = sum((T_sim1' == T_train))/M * 100 ;
error2 = sum((T_sim2' == T_test))/N * 100 ;%%  混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

参考资料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501

这篇关于分类预测 | Matlab实现基于LightGBM的多特征输入多类别输出模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---