使用回归学习者应用程序预测电力负荷
从系列:机器学习在金融中的应用
回归学习者应用程序可以让你探索你的数据,选择特征,指定验证方案,优化超参数,评估模型性能来预测你的数据,而不需要编写任何代码。
您可以将回归模型导出到MATLAB®或生成MATLAB代码将模型集成到应用程序中。
该应用程序可以完成一些简单的工作流程和任务,比如设置验证、选择相关预测器、选择最佳模型并进行优化,使它们具有交互性,节省了您的时间。它还为您提供了发生在幕后的完全透明性,并通过自动生成代码自动化了工作流。
统计和机器学习工具箱中的回归学习者应用程序可以让你训练多个模型,并选择最佳模型来预测你的数据,而不需要编写任何代码。
您还可以使用该应用程序来探索您的数据,选择特征,指定验证方案,优化超参数,并评估模型性能。
本示例将使用该应用程序对支持电网所需的电量(也称为“负载”)进行建模,并使用该模型对未来的负载进行预测。
你可以在机器学习和深度学习下的应用程序库中找到回归学习者应用程序。
您也可以直接从MATLAB命令行打开它。
启动一个新的会话,然后选择要使用的数据集。基于其中变量的数据类型,应用程序将自动分配它们作为预测器或响应。但是,如果需要,您可以随时更改它们的角色。您还可以取消选择与预测响应无关的变量,这将节省训练时间。
默认的自动交叉验证选项防止过拟合。在这个例子中,我们有很多数据,hold-out验证工作得很好。
接下来,您将能够探索哪种机器学习模型对您的数据最有意义。
有许多模型可供选择: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。
如果您已经知道什么类型的模型最适合您的数据,那么您可以逐个训练它们,或者选择一组要训练的模型。如果你不确定,就把它们都选下来,开始训练,看看能给你最好的初始表现的那个。
您可以在历史列表中看到模型以及均方根误差(或RMSE)。RMSE表示模型的性能或适合度,与您的数据相对比。误差越低,适应度越好。该应用程序将自动突出显示错误最低的模型。
在本例中,RMSE最低的模型是Matern 5/2 GPR。
当您选择一个模型时,您将能够使用各种图来查看关于其性能的更多细节。
例如,预测图与实际图可以帮助您理解这个特定模型对不同响应值的预测效果。一个完美的回归模型的预测响应等于真实响应,所以所有的点都在一条对角线上。直线到任意点的垂直距离是对该点的预测误差。
要进一步优化模型,可以调优它的超参数。该应用程序将尝试不同的超参数值组合,使用一种寻求最小化模型误差的优化方案。
为此,选择与您的模型类型对应的可优化模型,在本例中为可优化GPR。
该应用程序将遍历探地雷达模型的所有超参数组合。可视化显示了在计算不同的超参数组合时,误差是如何减少的。当它完成时,应用程序将突出显示RMSE最低的最好的一个。
在您对训练和调优过程感到满意之后,您可以将模型导出回MATLAB工作区或生成MATLAB代码。
导出到工作区使您能够使用经过训练的模型对新数据进行预测。
为该模型生成MATLAB代码使您能够将其集成到机器学习应用程序中,并使您的同事能够快速复制您的结果。
要了解更多关于回归学习和下载示例数据集的知识,请单击应用程序右上角的帮助图标。
下载代码及文件
相关产品2022世界杯八强谁会赢?
了解更多
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。