机器学习分类全家桶，模式识别，故障诊断的看这一篇绝对够了！MATLAB代码

本文介绍了多种机器学习分类模型，如SVM-Adaboost、CNN等，提供了一个基于西储大学轴承数据的示例，强调参数调整对模型性能的影响。作者鼓励读者尝试不同的参数组合以实现更好的分类效果，并提示后期将添加更多传统和智能算法的案例。

关于机器学习分类，网上的分类方法也是五花八门，今天作者就一次性搞定这些分类方法。与机器学习预测方法类似，但是将其改成分类模型，也是有很多细节需要注意的。

今天就推出一个机器学习分类全家桶，大家可以结合之前我发的几篇文章，替换其中的模型方法即可得到一篇新的idea。这水论文的方法不就有了吗！

之前出过的关于故障诊断的论文有：

保姆级教程之SABO-VMD-CNN-SVM的分类诊断，特征可视化

保姆级教程之VMD-CNN-BILSTM轴承故障诊断，MATLAB代码

保姆级教程之ICEEMDAN-GWO-LSSVM的轴承诊断，MATLAB代码

保姆级教程之SABO-VMD-SVM的西储大学轴承诊断

保姆级教程之VMD-SABO-KELM优化核极限学习机的西储大学轴承诊断

也就是说，将最后的诊断模型(CNNSVM/BiLSTM/LSSVM/SVM/KELM)替换成其他的模型。本期推出的模型有：

SVM-Adaboost、SVM、RF Adaboost、LSTM、LSSVM、GRU、ELM-Adaboost、CNN-SVM、CNN-LSTM、CNN-LSSVM、CNN-GRU、CNN-BiLSTM-ATTENTION、CNN-BiLSTM-Adaboost、CNN-BiLSTM、CNN-BiGRU-ATTENTION、CNN-BIGRU、CNN、BiLSTM、BiGRU。

包含了组合模型和单个模型。都是当下比较火热的。截图如下：

注意，此全家桶代码包含了自注意力机制(selfAttentionLayer)，该函数只有2023及以上版本的matlab才有，因此请小伙伴自行下载2023版本的matlab，下载链接一并打包在代码中了。

后续考虑会添加智能算法优化模型的分类案例，添加新的比较传统的各种神经网络（BP,RBF,PNN,KNN等等），图神经网络，极限学习机，随机森林、深度森林等等方法。由于后期会不断更新，价格可能也会随之攀升，需要的小伙伴抓紧机会下手！

数据准备

本文采用的数据是将西储大学轴承数据进行VMD分解后，在智能算法优化VMD参数的基础上，提取最佳IMF分量的9个指标而构成的。分别是：均值，方差，峰值，峭度，有效值，峰值因子，脉冲因子，波形因子，裕度因子。更多关于数据的来源，可以看这篇文章：保姆级教程之VMD-CNN-BILSTM轴承故障诊断，MATLAB代码。

但如果直接替换自己的数据，就没必要看了这个数据来源了。无非就是前9列是特征列，最后一列是标签列，只要你的数据也是这样的形式，就很好替换！

结果展示

每种方法的精度不一致，与自身的参数有关。对于这个风电数据来说，每个方法的效果都差不多。

一般去调整，“隐含层节点个数，学习率，训练次数，正则化参数”。调整这几个参数，就完全够用了。现在结合一些智能优化算法优化这些机器学习预测的，也无非就是调整一下这几个参数而已。

这里的参数，作者只是调了个大概，不至于很差。对于精度差的，并不代表这个方法就不好！大家可以调整参数已达到更好的效果！

结果如下

SVM-Adaboost