Python 实现极限学习机（预测）

最新推荐文章于 2025-03-16 14:40:06 发布

simple_hututu

最新推荐文章于 2025-03-16 14:40:06 发布

阅读量8.3k

点赞数 5

本文链接：https://blog.youkuaiyun.com/pwtd_huran/article/details/79729913

版权

该博客介绍了如何使用Python实现极限学习机(ELM)进行预测。通过加载数据，预处理，然后使用ELM模型进行训练和预测，并计算了预测误差指标如MAPE、RMSE和MABE。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

'''这种算法是针对 SLFNs （即含单个隐藏层的前馈型神经网络）的监督型学习算法，
其主要思想是：输入层与隐藏层之间的权值参数，以及隐藏层上的偏置向量参数是 once for all 的（不需要像其他基于梯度的学习算法一样通过迭代反复调整刷新），
求解很直接，只需求解一个最小范数最小二乘问题（最终化归成求解一个矩阵的 Moore-Penrose 广义逆问题）。'''
#class hpelm.elm.ELM(inputs, outputs, classification='', w=None, batch=1000, accelerator=None, precision='double', norm=None, tprint=5)
#coding:utf-8
from __future__ import division
from pylab import*
from sklearn.svm import SVR
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import numpy as np
import math
import csv
from sklearn import metrics
import csv
from pylab import*
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
from sklearn.ensemble import RandomForestRegressor
from hpelm import ELM
from sklearn import preprocessing
from sklearn.preprocessing import MinMaxScaler
from keras import metrics
from sklearn.preprocessing import