做网站前的准备org域名注册
【MATLAB第104期】基于MATLAB的xgboost的敏感性分析/特征值排序计算（针对多输入单输出回归预测模型）
因matlab的xgboost训练模型不含敏感性分析算法，本文通过使用single算法，即单特征因素对输出影响进行分析，得出不同特征变量对应的权重。
一、数据部分代码
%% 导入数据
res = xlsread('数据集.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);
二、敏感性分析部分代码
%% 敏感性分析
serdata.ft = p_test';%测试集输入
userdata.target = t_test';%测试集输出
nSel = size(p_test,1);%选择的特征数量 ,可以小于等于变量特征数
mtds = {@regression_ftSel_single};% single方法
nMtd = length(mtds);%方法数量
for iMtd = 1:nMtd[ftRank,ftScore,errs] = mtds{iMtd}(p_train',t_train',p_test,t_test); %仅在训练集上选择特征end
A=[[1:nSel]',errs'];
B2=A;[W] = B2(:,2)';
for i=1:size(W,2)WW(1,i)=(1./W(1,i))./sum(1./W);
endfigure()
bar(WW)
xlabel('特征变量')
%set(gca,'XTickLabel',{'x1','x2','x3'})
xlabel("影响因素");ylabel("敏感度");
title('敏感性分析')
三、运行效果
训练集数据的R2为：0.99952
测试集数据的R2为：0.90306
训练集数据的MAE为：0.061008
测试集数据的MAE为：1.9449
训练集数据的MBE为：0.001729
测试集数据的MBE为：-0.54221
四、代码获取
1.阅读首页置顶文章
2.关注CSDN
3.根据自动回复消息，回复“104期”以及相应指令，即可获取对应下载方式。