使用回归学习者应用预测电力负荷
从系列:机器学习金融
回归学习者应用让您探索数据,选择特性,指定验证方案,优化hyperparameters,和评估模型预测性能数据,而不需要编写任何代码。
您可以导出MATLAB回归模型®工作区或生成MATLAB代码模型集成到应用程序。
应用程序需要卑微的工作流程和任务设置验证,选择相关的预测因子,并选择最优模型和调优,使它们互动,节省你的时间。它也给你完全透明到引擎盖下面发生了什么和自动化工作流的自动生成的代码。
回归学习者应用统计和机器学习的工具箱可以训练多个模型和选择最好的模型来预测你的数据,而不需要编写任何代码。
您还可以使用应用来探索你的数据,选择特性,指定验证方案,优化hyperparameters,和评估模型的性能。
这个例子将使用应用程序模型需要支持一个电网的电力——也称为“负载”——并使用该模型对未来的负荷进行预测。万博1manbetx
你可以找到回归学习者应用在应用画廊在机器学习和深入学习。
你也可以直接从MATLAB命令行打开它。
开始一个新的会话,然后选择您要使用的数据集。基于变量的数据类型,应用程序将自动分配预测或反应。但是,你总是可以在必要时改变他们的角色。你也可以取消选定变量与预测响应,这将节省培训时间。
默认自动交叉验证选择防止过度拟合。在这个例子中,我们有很多的数据,同意验证是有效的。
接下来,您将能够探索的机器学习模型最意义的数据。
有许多模型,你可以选择:线性回归模型、回归树、高斯过程回归模型,支持向量机和回归树的集合体。万博1manbetx
如果你已经知道什么样的模型是最适合您的数据,您可以训练他们一个接一个,或者选择一组模型火车。如果你不确定,就选择他们所有人,开始训练,看看给你最佳的初始性能。
历史列表中你可以看到模型的均方误差(RMSE)。RMSE代表模型的性能,或健身,对您的数据。错误越低,越健康。应用程序会自动突出显示最低的模型误差。
在这个例子中,最低的模型RMSE Matern 5/2探地雷达。
当您选择一个模型,您将能够使用各种阴谋有关其性能的更多细节。
为例,预测与实际情节将帮助您理解如何这个特殊的模型预测的不同响应值。一个完美的回归模型预测响应等于真正的响应,所以所有的点躺在一个对角线。线的垂直距离任意点的错误预测。
进一步优化模型中,您可以调整其hyperparameters。hyperparameter值的应用程序将尝试不同的组合使用一个优化方案,旨在最小化模型错误。
要做到这一点,选择Optimizable模型对应于您的模型类型,在本例中,Optimizable探地雷达。
应用程序将遍历所有这些组合的hyperparameters GPR模型。可视化显示错误减少hyperparameters的不同组合进行评估。当它完成后,应用程序将强调最好的RMSE最低的国家之一。
满意后培训和调优过程中,您可以导出您的模型回MATLAB工作区或生成MATLAB代码。
出口到工作区使您能够使用新数据训练模型进行预测。
生成该模型的MATLAB代码使您能够将其集成到机器学习应用程序,并支持你的同事快速复制你的结果。
了解更多关于回归学习和下载示例数据集,点击帮助图标右上角的应用。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。