python KELM
时间: 2023-10-18 17:32:22 浏览: 82
KELM是Kernel Extreme Learning Machine的缩写,它是一种基于核函数的极限学习机模型,用于时间序列预测和AQI(空气质量指数)预测。该模型使用Python编写,提供了完整的源代码和数据。
在使用KELM模型进行时间序列预测时,首先需要对数据进行归一化处理。这可以通过使用mapminmax函数将训练数据集P_train归一化到0到1的范围内,然后再将归一化参数应用于测试数据集P_test中。
在参数设置方面,通常可以设置种群数量pop为10,最大迭代次数Max_time为60。此外,维度dim设置为2,即优化两个参数,分别是正则化系数C和核函数参数S。 <span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [KELM时间序列预测(Python完整源码和数据)](https://download.csdn.net/download/m0_57362105/87764712)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [核极限学习机(KELM)的分类预测,多特征输入模型。多特征输入单输出的二分类及多分类模型。程序内注释详细,...](https://blog.csdn.net/qq_43916303/article/details/130785121)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)