回归预测 | MATLAB实现NGO-SCN北方苍鹰算法优化随机配置网络的数据回归预测（多指标，多图）

效果一览

基本介绍

1.回归预测 | MATLAB实现NGO-SCN北方苍鹰算法优化随机配置网络的数据回归预测（多指标，多图）。出图包括迭代曲线图、预测效果图等等。
2.matlab 版本要求2020b及以上版本程序已调试好可以直接运行(数据直接在Excel中替换)
采用优化算法对随机配置网络SCN的尺度因子Lambdas和正则化系数r进行优化，以北方苍鹰优化算法为例.
3.直接替换Excel数据即可用，注释清晰，适合新手小白[火]
4.附赠示例数据，直接运行main文件一键出图[灯泡]评价指标包括:R2、MAE、MSE、MAPE、RMSE等，图很多.

程序设计

完整源码和数据获取方式：私信回复MATLAB实现NGO-SCN北方苍鹰算法优化随机配置网络的数据回归预测（多指标，多图）。

%%  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('data.xlsx');

%%  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);

%%  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);



%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test);

%%  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);



%%  相关指标计算
% 决定系数 R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])

% 平均绝对误差 MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

% 平均相对误差 MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])