MATLAB版本transformer、CNN-transformer-LSTM、SHAP分析！工具箱v5先行版本发布

      评价工具箱目前V5版本，以后还会根据用户的需求不断改进功能、增加算法。V3版本的工具箱支持一键导出代码，可以实现30种评价算法，除了前6种常用的评价算法，其余都是自研的新算法，现在有层次分析法、TOPSIS法、熵权法、变异系数法、CRITIC法、主成分分析法、熵权-秩和比法、变异系数-秩和比法、CRITIC-秩和比法、随机TOPSIS法、随机层次TOPSIS法、随机熵权TOPSIS法、随机变异系数TOPSIS法、层次-熵权法、层次-变异系数法、熵权-变异系数法、层次-熵权-变异系数法。

【视频讲解】B站录制了使用详细的视频，可以扫码观看或者点击链接 https://www.bilibili.com/video/BV1a94y147Qf/

可以观看视频的1-4节

【获取方式】扫码获取或者点击链接

https://mbd.pub/o/bread/Y56amJ1t

降维聚类工具箱

    降维聚类工具箱 目前V5版本，支持一键导出代码，可以实现12种降维方法分别是nnmf、PCA、SVD、t-SNE、autoencoder、KPCA、SPCA、kernelPCA、MDS、isomap、SNE、autoencoder-EA，还有多种聚类方法kmeans聚类、kmedoid聚类、GMM高斯聚类、层次聚类、FCM聚类、ISODATA聚类、canopy聚类、kshape聚类、DBSCN聚类、谱聚类、19智能优化算法优化kmeans、优化kmedoid聚类、优化dbscn聚类、优化canopy聚类、优化kshape聚类。

  同时支持19智能优化算法优化kmeans、优化kmedoid聚类、优化SOM聚类、优化dbscn聚类、优化canopy聚类、优化kshape聚类。

可以实现带标签数据的降维可视化，以下为葡萄酒数据的PCA降维可视化

以下为葡萄酒数据的自编码降维可视化

手写数据集的高维数据集PCA降维

手写数据集的高维数据集T-SNE降维

 可以实现任意维度的二维数据或者曲线聚类

一维数据聚类

二维数据聚类

三维数据聚类

高维数据聚类

无标签的聚类更新了以下聚类评价指标

有标签的数据聚类更新了以下评价指标

一维聚类更新了小提琴图

二维聚类更新了密度直方图

高维聚类更新3维聚类图

    附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理。

【视频讲解】B站录制了使用详细的视频，可以扫码观看或者点击链接 https://www.bilibili.com/video/BV1a94y147Qf/

可以观看视频的1、5~9节

【获取方式】扫码获取或者点击链接

https://mbd.pub/o/bread/mbd-Y56ck5lx

分类回归工具箱

    分类回归工具箱现在更新到V5版本支持一键导出代码、一键离散、字符类型数据处理、独热编码功能、四种离群点检测方法分别是3sigma、Zscore、箱线图、孤立森林检测法、六种特征选择方法分别是L1范数、L2范数、树模型、person相关性分析、spearman相关性分析、kendall相关性分析、七种特征变换方法分别是nnmf降维、PCA降维、MDS降维、SPE降维、t-SNE降维、KPCA降维、autoencoder降维。

   能够实现多种回归算法以及分类算法，能够组合出上万种方法，回归算法可以实现多元线性回归、多元LASSO回归、多元岭回归、LSBoost回归、XGBoost回归、高斯回归、高斯核回归、ELM回归、GRNN回归、GAM回归、决策树回归、随机森林回归、SVM回归、BP/MLP回归、LSTM回归、LSTM-attention回归、GRU回归、GRU-attention回归、CNN回归、BiLSTM回归、BiLSTM-attention回归、CNN-LSTM回归、CNN-LSTM-attention回归、CNN-GRU回归、CNN-GRU-attention回归、CNN-BiLSTM回归、CNN-BiLSTM-attention回归、CNN-LSTM-SE注意力机制回归、CNN-LSTM-GRU注意力机制回归、包括多种组合算法MLP-RF回归、MLP-DT回归、MLP-SVM回归、SVM-RF回归、优化MLP-RF回归、优化MLP-XGBoost回归、优化LSTM-XGBoost回归、优化LSTM-attention-XGBoost回归、优化BiLSTM-RF回归、优化BiLSTM-attention-RF回归、优化CBiLSTM-XGBoost回归、优化CBiLSTM-attention-XGBoost回归。

  分类方法能实现最近邻分类、贝叶斯分类、决策树分类、随机森林分类、SVM分类、BP/MLP分类、LSTM分类、LSTM-attention分类、GRU分类、GRU-attention分类、CNN分类、BiLSTM分类、BiLSTM-attention分类、CNN-LSTM分类、CNN-LSTM-attention分类、CNN-GRU分类、CNN-GRU-attention分类、CNN-BiLSTM分类、CNN-BiLSTM-attention分类、CNN-LSTM-SE注意力机制分类、CNN-LSTM-GRU注意力机制分类、MLP-RF分类、MLP-SVM分类、SVM-RF分类、优化MLP-RF分类、优化BiLSTM-attention-RF分类、优化CBiLSTM-XGBoost分类、优化CBiLSTM-attention-XGBoost分类。

   除此之外V5版本能够实现一键概率区间预测，指标评价以及概率区间随机美化绘图，概率区间预测方法，回归赛道太卷了，形形色色就那样，没太大改进，如果能在回归的基础上实现概率区间预测，那是一个发论文，做课题的非常大的加分项，概率区间预测不仅能实现区间预测，还能得到概率区间范围，能够提供更多的预测信息

    工具箱的前3个区间预测模块都是根据验证集误差建模的，也就是说，这三种方法可以和任意回归方法组合，因此可以实现五万多种回归组合*3种概率区间方法的任意组合=15万种概率区间预测方法，而且设计了分层概率方式，后几种方法的概率区间预测也可以和均值预测组合。概率区间置信度值均可以自己设定。同时提供了matlab和python多种神经网络分位数回归示例，随机森林分位数示例以及python lightgbm、catboost分位数回归示例可以自由设置任意的概率区间，任何数据都适用，并且有丰富的5个评价指标，PICP、PINAW、CWC、MPICD、AIS

光伏数据集：

风电数据集：

房价数据集：

鲍鱼数据集：

  多种概率区间预测的对比，那必须得有，在example_Qregrees.m的对比函数里面

    除外针对分类样本不平衡的问题，设计了一键样本增强的功能，之后生成样本的功能也会推广到回归中

附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理，一共两百多页，随着工具箱的更新也会持续更新。

     【视频讲解】B站录制了使用详细的视频，可以扫码观看或者点击链接 https://www.bilibili.com/video/BV1a94y147Qf/

可以观看视频的1、10~19节

【获取方式】扫码获取或者点击链接

https://mbd.pub/o/bread/mbd-ZJWUkphq

时序预测工具箱

        时序预测工具箱目前是V4版本，支持一键导出代码，可以实现单时间序列预测、可知未来特征的多元时间序列预测、不可知未来特征的多元时间预测以及非时间序列的多输入多输出序列预测。目前保守估计能实现大概二十万多种组合预测算法。

数据处理部分可以实现数据缺失处理以及插值，特征处理方面有六种特征选择方法分别是L1范数、L2范数、树模型、person相关性分析、spearman相关性分析、kendall相关性分析、七种特征变换方法分别是nnmf降维、PCA降维、MDS降维、SPE降维、t-SNE降维、KPCA降维、autoencoder降维。有三种去噪方法VMD去噪、CWT去噪、NLM去噪，同时支持对序列进行分解再预测有VMD分解、EMD分解、EEMD分解、19种智能优化算法优化VMD分解、19种智能优化算法优化CEEMDAN分解。

    在算法层面能实现LSBoost算法、XGBoost算法、高斯核算法、GRNN算法、决策树算法、随机森林算法、SVM算法、BP/MLP算法、LSTM算法、LSTM-attention算法、GRU算法、GRU-attention算法、CNN算法、BiLSTM算法、BiLSTM-attention算法、CNN-LSTM算法、CNN-LSTM-attention算法、CNN-GRU算法、CNN-GRU-attention算法、CNN-BiLSTM算法、CNN-BiLSTM-attention算法,CNN-LSTM-SE注意力机制、CNN-GRU-SE注意力机制，TCN、TCN-LSTM、TCN-GRU、TCN-BiLSTM、还有多种组合算法 LSTM-XGB算法、 LSTM-attention-XGB算法、LSTM-SVM算法、LSTM-attention-SVM算法、CNN-XGBoost算法、CNN-BiLSTM-XGB算法、CNN-BiLSTM-attention-XGB算法、CNN-BiLSTM-RF算法、CNN-BiLSTM-attention-RF算法、优化LSTM-XGB算法、优化LSTM-attention-XGBoost算法、优化LSTM-SVM算法、优化LSTM-attention-SVM算法、优化CNN-XGBoost算法、CNN-BiLSTM-XGB算法、优化CNN-BiLSTM-attention-XGBoost算法、优化CNN-BiLSTM-RF算法、优化CNN-BiLSTM-attention-RF算法。

工具箱训练完后可以直接得到预测结果，单时序预测和不可知未来特征的多元时序预测，不需要借助未来的特征，因此在训练过程中，可以直接得到预测的结果。因此可以放心使用序列分解，因为根本不需要未来信息去预测，因此不会存在数据泄露的问题。对于可知未来特征的时序预测的序列分解可能会存在这个问题，其实很多问题分解之后反而不如没有分解的，因此要以数据导向，不要盲目跟风，多试方法才知道数据适合什么。

    预测点个数和自己设置的个数有关，这里会构造滑动窗口可能会要求训练数据不能太少，如果想用比较少的数据预测未来很多个点，可以把得到的预测值带入到真实值然后再训练预测

同样，我们也开发了一套结果对比图，方便大家直接对比多个算法结果，直接把训练好保存的训练文件数据导入就可以得到结果，可以说，你想对比什么算法都可以轻松的对比，在example_timepre.m里面，给大家提供

      增加趋势项拟合的功能，提高这种趋势项明显的数据的预测精度，消解时序数据的趋势项

 时间序列分解的算法也会新增几种。

 除此之外V5版本能够实现一时序区间预测，多输入多输出概率区间预测，指标评价以及概率区间随机美化绘图，在时序预测的基础上实现概率区间预测，那是一个发论文，做课题的非常大的加分项，概率区间预测不仅能实现区间预测，还能得到概率区间范围，能够提供更多的预测信息

     同样支持10种概率区间预测方法，可以支持任意的区间设置

附带详细的使用手册，里面有详细的使用方法以及工具箱内出现算法的公式原理。

【视频讲解】B站录制了使用详细的视频，可以扫码观看或者点击链接

https://www.bilibili.com/video/BV1a94y147Qf/

可以观看视频的1、20~25节

【获取方式】扫码获取或者点击链接

https://mbd.pub/o/bread/mbd-ZJaVm55t

国赛保奖班

详情请看原文链接：国赛保奖救命班系列来啦！三种班型任你选择

扫码进入云顶科研店铺查看更多哦~

     公众号【Lvy的口袋】 QQ交流3群【674205165】前两个交流群已满