1.项目基于机器学习算法，通过对单模型和融合模型计算所得的指标进行对比，实现小分子在人体内清除率指标的预测。
2.项目运行环境：Python环境、安装Jupyter Notebook 或Spyder、需要matplotlib、numpy、pandas 、sklearn安装包库
3.项目包括3个模块：数据预处理，创建模型并编译，模型训练
4.单模型训练：训练岭回归模型、随机森林模型和极端森林模型。
5. 多模型融合：回归问题最简单的模型融合方式，取加权平均对最优的两个模型进行不同权值的平均，最终输出最优的权值结果。
6. 不同模型的评价指标以rmse为指标，经过分析，融合模型得到最低的rmse，为2.698796237546118。
2023-09-20 06:59:59
10.72MB
1
1. 对应视频链接：https://www.bilibili.com/video/BV1uW4y1h7vM/?vd_source=cf212b6ac033705686666be12f69c448
2. Matlab实现随机森林算法的数据回归预测（完整源码和数据)
3. 多变量输入，单变量输出，数据回归预测
4. 评价指标包括：R2、MAE、MSE、RMSE
5. 包括拟合效果图和散点图
6. Excel数据，暂无版本限制，推荐2018B及以上版本
7. 其他代码连接：https://docs.qq.com/sheet/DRXBpdVRydFRHTXlB?tab=BB08J2&_t=1667389129635&u=96322ede66974c7097f1238bbc559fdc
2023-07-15 10:48:42
13KB
1
LambdaMART
LambdaMART算法和随机森林回归树版本的Java实现
2022-09-14 16:03:34
11KB
1
基于随机森林回归的手臂末端力的软测量方法.pdf,针对手臂康复训练后仍缺乏准确力觉的康复病人提出了一种手臂末端力的软测量方法。采用肌电信号（EMG）传感器与手臂姿态传感器获取的数据综合描述手臂的综合状态信息，并作为随机森林回归的输入，将手臂末端力作为随机森林回归的输出。依据康复训练的基本动作单元，针对性的设计了“推拉”和“提放”两组试验，在离线状态下，利用力传感器测量得到的实际末端力与手臂的综合状态信息作为样本集，并通过大量样本数据训练随机森林回归算子得到稳定可靠的回归算子，最后通过在线预测手臂末端力与真实末端力输出的比较，验证了该方法的有效性。
2022-06-01 11:13:03
3.27MB
1
加州住房价格模型
客观的
我使用“加利福尼亚房屋价格数据集”的“随机森林回归”建立了一个模型，以预测加利福尼亚房屋的价格。
图书馆与依存关系
我在这里列出了该项目所需的所有必要的库和依赖项：
import sys , os , tarfile , urllib . request
import numpy as np
import pandas as pd
from sklearn . model_selection import train_test_split , cross_val_score , GridSearchCV
from sklearn . model_selection import StratifiedShuffleSplit
from pandas . plotting import scatter_matrix
from sklearn . impute im
2021-12-29 15:33:29
5.74MB
1
GDP_and_Employment_Rates_Prediction：一种机器学习回归模型，使用Python中的随机森林回归来预测国家的GDP和就业率
2021-12-14 20:32:48
125KB
1
使用随机森林的汽车价格预测：该项目使用随机森林回归器作为监督的机器学习技术来预测汽车价格
2021-09-20 15:43:08
3.46MB
1