6种算法（线性回归、随机森林、支持向量机、BP神经网络、GRU、LSTM）对电力系统负荷进行预测。通过一个简单的例子。 各种算法（线性回归、随机森林、支持向量机、BP 神经网络、GRU、LSTM）用于电力系统负载预测/电力预测。

普通最小二乘（OLS）回归 这是一个简单的项目，展示了OLS回归算法的实现。 在此特定实现中，将发生以下情况： 1. input independent and dependent variable data is split into "training" and "prediction" sets. 2. Within the training set, k-fold crossvalidation is used to generate an Akaike Information Criteria (AIC) value for each 1-p combinations of independent variables. 3. The model with the lowest AIC is selected and fit to the entire

IsingFit 该网络估计程序eLasso基于Ising模型，将l1正则逻辑回归与基于扩展贝叶斯信息准则（EBIC）的模型选择相结合。 EBIC是一种适合的度量，用于识别变量之间的相关关系。 生成的网络由变量（作为节点）和相关关系（作为边）组成。 可以处理二进制数据。

MLR - 多元线性回归 PCA - 主成分分析 PLS - 偏最小二乘 LogisticR - 逻辑斯蒂回归 Ganzhiji - 感知机(perception) PSO - 粒子群优化 KNN - K_近邻 Bayes - 贝叶斯 OSC - 正交信号校正 GDescent - 梯度下降 ANN - 人工神经网络 BOOSTING - 提升算法

1.提出问题 明确要分析的问题，为后续的机器学习过程提供目标。 2.理解数据（采集并查看数据） 采集数据（根据研究问题采集数据）；导入数据（从不同数据源读取数据）；查看数据信息（描述统计信息、数据缺失值、异常值情况等，可以结合具体图表来直观查看数据）。 3.数据清洗（数据预处理） 数据预处理是数据分析过程中关键的一环，数据质量决定了机器学习分析的上限，而具体采用的算法和模型只是逼近这个上限。（包括缺失数据处理、异常值处理、数据类型转换、列名重命名、数据排序、选择子集、特征工程等步骤） 4.构建模型 根据研究的问题以及数据的特点选择合适的算法，将训练数据放入所选择的机器学习算法中构建相应的模型，有时需要对多种算法模型进行比较，甚至进行模型整合。 5.模型评估 利用测试数据对得到的模型效果进行评估，具体评估指标依据研究的问题及采用的模型进行选择，常用到的指标需根据模型的类型而定，如分类模型常用准确率、ROC-AUC等，而回归模型可以用决定系数等。

代码有详细注解，多输出单输出，Excel数据读取，适合初学者，先到先得！

一元线性回归数据集

本文介绍了一元线性回归在Matlab中的实现方法，包括如何读取数据、如何求解回归方程等。作者提供了一个数据文件，其中第一行存放x的观察值，第二行存放y的观察值。通过Matlab中的命令，可以求出回归方程，并进行检验。本文还提供了作者在MATLAB R2009a(7 8 0 347)中运行通过的代码。

(52条消息) R语言生存分析COX回归分析实战：以乳腺癌数据为例_Data+Science+Insight的博客-CSDN博客_利用r对癌症数据进行生存分析.mhtml

Matlab实现GA-LSTM遗传算法优化长短期记忆网络的数据多输入单输出回归预测（完整源码和数据) 命令窗口输出MAE、MAPE、MSE、R2、MSE等指标。 优化学习率、隐藏层节点数、正则化系数。