💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
本文主打初学者入门学习分享。
【一共21份资源】【入门学习】【打包带走】时序+回归+预测入门学习
包含以下内容：
SVM时序+回归+预测
RF时序+回归+预测
RBF时序+回归+预测
LSTM时序+回归+预测
ELM时序+回归+预测
CNN时序+回归+预测
BP时序+回归+预测
本文精心打造了一份专为初学者量身定制的入门学习资源分享合集，旨在助力每一位怀揣学习热情的新手，轻松踏入数据分析与机器学习的精彩领域。
【资源概览】本合集共计囊括21份精心挑选的学习资料，以一站式打包的形式呈现，让您的学习之旅更加便捷高效。这些资源聚焦于时序分析、回归建模及预测技术三大核心板块，是初学者探索数据科学奥秘的绝佳起点。
【核心内容】具体涵盖以下六大类主流算法的时序分析、回归建模与预测应用，每一类都配备了详尽的学习材料，确保您能够全面而深入地掌握：
- SVM（支持向量机）：探索其在时序数据处理、回归分析以及未来趋势预测中的独特魅力。
- RF（随机森林）：学习如何利用随机森林算法，在复杂数据中挖掘时序规律，进行精准回归与预测。
- RBF（径向基函数网络）：深入了解RBF网络在时序建模、回归分析及预测任务中的高效表现。
- LSTM（长短期记忆网络）：走进深度学习领域，掌握LSTM在处理时序数据、回归预测方面的强大能力。
- ELM（极端学习机）：体验ELM在快速时序分析、回归建模及预测中的高效与简洁。
- CNN（卷积神经网络）：虽然CNN常用于图像处理，但本合集也展示了其在时序数据分析、回归预测中的创新应用。
- BP（反向传播神经网络）：作为神经网络的基础，学习BP算法在时序预测、回归分析中的经典实现。
【打包带走，即刻启程】无需四处搜寻，无需繁琐筛选，这份全面而系统的入门学习资源合集，正等待着与您一同开启数据科学与机器学习的探索之旅。立即打包带走，让学习之路从此变得简单而高效！
📚2 运行结果
代码注释清晰：
编辑
这是本文提供的数据集：用于负荷预测
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
代码可视化：
%% 绘图
figure
plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid
figure
plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid
%% 相关指标计算
% 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)])
% 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)])
% 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)])
% MAPE
mape1 = sum(abs((T_sim1' - T_train)./T_train)) ./ M ;
mape2 = sum(abs((T_sim2' - T_test )./T_test )) ./ N ;
disp(['训练集数据的MAPE为：', num2str(mape1)])
disp(['测试集数据的MAPE为：', num2str(mape2)])
%% 绘制散点图
sz = 25;
c = 'b';
figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')
figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为
