基于遗传算法优化LightGBM-XGBoost模型的电力负荷预测

电力负荷短期预测在电网改造、保障电力系统经济运行上具有重要的研究意义。为了提高预测精度,基于误差倒数法,提出了基于遗传算法优化的LightGBM-XGBoost融合模型。基于华南某城市的电力负荷数据,融合模型在测试集上的MAPE值为1.0931%,R2值为0.9843,预测精度相较于单一模型而言得到了较明显的提升,说明了融合模型在电力负荷预测上的有效性。

基于GA-SVM的心脏病诊断模型

心脏病是一类高发病率、高死亡率的疾病,及时且准确地诊断心脏病有利于为患者争取更多的治疗时间,提高患者的康复概率并减少危险。选用UCI提供的心脏病数据集作为实验数据,提出了基于遗传算法(Genetic Algorithm,GA)优化支持向量机(Support Vector Machine,SVM)的心脏病诊断模型GA-SVM。实验结果表明,GA-SVM的分类准确率较高,相较于其他机器学习模型而言具有更强的预测与泛化能力。