【MATLAB第22期】基于MATLAB的xgboost算法多输入多输出回归模型 已购用户可在之前下载链接免费获取
往期文章：xgboost安装教程
最近有很多小伙伴私信我有关xgboost预测的问题，被问到最多的问题总结如下：
1.xgboost安装/运行失败。
关于问题1，还是建议多刷刷我的视频教学，有一部分用户反馈说按照我的步骤复现成功，我由衷为你们感到开心，另一部分没复现成功的也不要气馁，也许不是你们的操作原因，可能是matlab版本，操作系统，或是下载的文件版本不一致导致运行报错。由于报错的原因五花八门，有些也超过了我的认知范畴，抱歉不能为你们一一解答。图省事的用户可以直接找我有偿获取成品，我也将不断更新内容，来反馈各个支持的用户。
2.xgboost多输入多输出回归模型如何实现？
关于问题2，本身不是太困难，有基础的同学不妨自己试试。同时，为了答谢已购用户的支持，故免费更新多输入多输出回归模型，可在原链接已购商品中下载。
本代码支持多变量输出预测，只需更改行数及列数就行，比如以下示例为2输出。原谅我偷懒没考虑输出与输入之间是否有关联，而强行套数据，所以效果观感难免差一些。
P_train = res(temp(1: 80), 1: 6)'; T_train = res(temp(1: 80), 7:8)'; P_test = res(temp(81: end), 1: 6)'; T_test = res(temp(81: end), 7:8)';
不过我在原先基础上，优化了绘图和评价指标代码，不用你们再怎么修改对应代码，对小白还是相对友好
%% 相关指标计算 % 决定系数 R2 for k=1:VV R1 (k,:)= 1 - norm(T_train(k,:) - T_sim1(k,:))^2 / norm(T_train(k,:) - mean(T_train(k,:)))^2; R2 (k,:)= 1 - norm(T_test(k,:) - T_sim2(k,:))^2 / norm(T_test(k,:) - mean(T_test(k,:) ))^2; disp(['变量' num2str(k) '训练集数据的R2为：', num2str(R1(k,:))]) disp(['变量' num2str(k) '测试集数据的R2为：', num2str(R2(k,:))]) % 平均绝对误差 MAE mae1 (k,:)= sum(abs(T_sim1(k,:) - T_train(k,:))) ./ M ; mae2(k,:) = sum(abs(T_sim2(k,:) - T_test(k,:) )) ./ N ; disp(['变量' num2str(k) '训练集数据的MAE为：', num2str(mae1(k,:))]) disp(['变量' num2str(k) '测试集数据的MAE为：', num2str(mae2(k,:))]) % 平均相对误差 MBE mbe1(k,:) = sum(T_sim1(k,:) - T_train(k,:)) ./ M ; mbe2(k,:) = sum(T_sim2(k,:) - T_test(k,:) ) ./ N ; disp(['变量' num2str(k) '训练集数据的MBE为：', num2str(mbe1(k,:))]) disp(['变量' num2str(k) '测试集数据的MBE为：', num2str(mbe2(k,:))]) end
运行结果：
变量1训练集数据的R2为：0.9998
变量1测试集数据的R2为：0.76982
变量1训练集数据的MAE为：0.39433
变量1测试集数据的MAE为：24.1249
变量1训练集数据的MBE为：0.0052592
变量1测试集数据的MBE为：-5.8176
变量2训练集数据的R2为：-1.9562
变量2测试集数据的R2为：-0.93417
变量2训练集数据的MAE为：10.6578
变量2测试集数据的MAE为：10.2048
变量2训练集数据的MBE为：-4.3999
变量2测试集数据的MBE为：-4.4601
以下三个问题，正在研究中，后续还会慢慢更新。
3.xgboost回归模型如何调参？ ##
4.xgboost回归模型如何模拟预测新数据？ ##
5.xgboost如何实现多分类预测。
