Случайная регрессия лесов: коды MATLAB, R и Python - все, что вам нужно сделать, это просто подготовить данные ...

Я выпускаю коды MATLAB, R и Python случайной регрессии лесов (RFR). Они очень удобны в использовании. Вы готовите набор данных и просто запускаете код! Затем можно получить результаты RFR и прогнозирования для новых образцов. Очень просто и легко!

Вы можете купить каждый код по указанным ниже URL.

MATLAB

Https://gum.co/YZujI
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код RFR.
http: //univprofblog.html.xdomain .jp / code / MATLAB_scripts_functions.zip

R

Https://gum.co/IxVI
Загрузите дополнительный zip-файл (это бесплатно) по указанному ниже URL-адресу, чтобы запустить код RFR.
http: //univprofblog.html.xdomain .jp / code / R_scripts_functions.zip

Python

Https://gum.co/gdJPc
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код RFR.
http: //univprofblog.html.xdomain .jp / code / supportfunctions.zip

Процедура RFR в кодах MATLAB, R и Python

Чтобы выполнить соответствующий RFR, коды MATLAB, R и Python следуют приведенной ниже процедуре после загрузки набора данных.

1. Определите количество деревьев решений.
Например, 500.

2. Определите кандидатов отношения количества объясняющих переменных (X) для деревьев решений
Например, это 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8.

3. Запустите RFR для каждого кандидата X-ratio и оцените значения целевой переменной (Y) для образцов Out Of Bag (OOB)

4. Вычислить среднеквадратическую ошибку (RMSE) между фактическим Y и предполагаемым Y для каждого кандидата X-отношения

5. Определите оптимальное X-соотношение с минимальным значением RMSE

6. Постройте модель RFR с оптимальным X-отношением

7. Вычислить детерминантный коэффициент и RMSE между фактическим Y и рассчитанным Y (r2C и RMSEC) для оптимального отношения X
r2C означает отношение информации Y, которое может объяснить модель RFR.
RMSE означает среднее значение Y ошибок в модели RFR.

8. Вычислить детерминантный коэффициент и RMSE между фактическим Y и предполагаемым Y (r2OOB и RMSEOOB) для оптимального отношения X
r2OOB означает возможное отношение информации Y, которую модель RFR может оценить для новых образцов.
RMSEOOB означает возможное среднее значение Y ошибок для новых выборок.

9. Проверьте графики между фактическим Y и рассчитанным Y, а также между фактическим Y и оценочным Y
Можно проверить выбросы расчетных и оценочных значений.

10. Оцените Y на основе модели RFR из 6.

Если обучение RFR занимает слишком много времени, уменьшите количество деревьев решений.