区间预测

区间预测 | MATLAB实现QRFR随机森林分位数回归多输入单输出区间预测

效果一览

基本介绍

MATLAB实现QRFR随机森林分位数回归多输入单输出区间预测
Matlab实现基于QRFR随机森林分位数多变量回归区间预测模型（完整源码和数据）
1.Matlab实现基于QRFR随机森林分位数多变量回归区间预测模型；
2.基于随机森林回归（RFR）分位数多变量回归区间预测，Matlab代码，多变量输入单变量输出模型（最后一列输出），data为数据集，QRFR为主程序，其余为函数文件，无需运行；
3.评价指标包括：R2、MAE、MSE、RMsE和区间覆盖率和区间平均宽度百分比等，代码质量极高，方便学习和替换数据；
4.运行环境Matlab2018及以上。

模型描述

随机森林（Random Forest）是一种集成学习算法，它基于多个决策树进行预测，并通过投票或平均值的方式来得出最终的预测结果。随机森林在回归问题中表现良好，可以用于多输入单输出（Multiple Input Single Output，MISO）的回归任务。而预测区间则需要引入分位数回归。
分位数回归（Quantile Regression）是一种回归分析方法，它可以用于对不同分位数的目标值进行预测。在MISO回归任务中，如果需要预测目标值的区间范围，可以使用分位数回归来实现。具体来说，可以训练多个随机森林模型，每个模型用于预测不同分位数的目标值。例如，可以训练一个模型用于预测目标值的下四分位数，另一个模型用于预测目标值的中位数，还有一个模型用于预测目标值的上四分位数等。这些模型可以使用相同的输入特征，但输出不同的目标值。
当需要预测一个输入样本的目标值区间时，可以分别用这些随机森林模型来预测不同分位数的目标值，然后将它们组合起来形成一个区间。例如，可以将下四分位数和上四分位数的预测结果组成一个区间，表示目标值的范围。这样，就可以得到一个可靠的目标值区间预测结果。

程序设计

• 完整程序和数据获取方式1：私信博主，同等价值程序兑换；

• 完整程序和数据下载方式2(资源处直接下载)：MATLAB实现QRFR随机森林分位数多输入单输出回归区间预测

• 完整程序和数据下载方式3(订阅《RF随机森林》专栏，数据订阅后私信我获取)：MATLAB实现QRFR随机森林分位数多输入单输出回归区间预测

%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
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);

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%%  模型创建

%%  仿真测试


%%  数据反归一化
L_sim1 = mapminmax('reverse', l_sim1, ps_output);
L_sim2 = mapminmax('reverse', l_sim2, ps_output);

T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340