Python实现极限学习机ELM【hpelm库】（内涵源代码）

💖作者简介：大家好，我是车神哥，府学路18号的车神🥇
⚡About—>车神：从寝室到实验室最快3分钟，最慢3分半（那半分钟其实是等红绿灯）
📝个人主页：应无所住而生其心的博客_府学路18号车神_CSDN博客
🎉点赞➕评论➕收藏 == 养成习惯（一键三连）😋

⚡希望大家多多支持🤗~一起加油 😁

• 专栏
• 《Golang · 过关斩将》
• 《Neural Network》
• 《微信小程序开发》
• 《LeetCode天梯》
• 《Algorithm》
• 《Python》
• 《web》

极限学习机ELM

一直以为没有人做极限学习机的库，知道发现了hpelm库，才发现，针不戳!!!

文末Python源代码自取！！！

ELM简介

在2004年，由南洋理工学院黄广斌教授所提出的极限学习机器(Extreme Learning Machine，ELM)理论可以改善这种情况。最初的极限学习机是对单隐层前馈神经网络(single-hidden layer feed-forward neural networks，SLFNs)提出的一种新型的学习算法。它随机选取输入权重，并分析以决定网络的输出权重。在这个理论中，这种算法试图在学习速度上提供极限的性能。

ELM的优势

ELM算法和神经网络算法我认为最大的区别在于：ELM不需要进行迭代，而是一次性通过标签计算出最后一层神经元的权重。而神经网络是通过梯度下降的方法，不断的根据loss值更新权重值。

因此ELM算法不适合构造出更深的网络结构，但是减少了计算量，少了机器开销。而DELM相对于ELM加入了正则项的限制，防止过拟合。

ELM原理

ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM 可以随机初始化输入权重和偏置并得到相应的隐节点输出：

导入库

直接在PyCharm终端输入：

pip install hpelm

ELM线性回归Regression

以线性回归Regression为例，Python代码如下：

#!/usr/bin/env python# -*- coding: utf-8 -*-# @Time    : 2021/12/27 11:02# @Author  : 府学路18号车神# @Email   ：[email protected]# @File    : elm_regression.py#Import librariesimport hpelm
from keras.datasets import mnist
from keras.utils import to_categorical
import numpy as np
from numpy import random
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import time
import matplotlib.pyplot as plt

#Lists to store results
Train_T =[]
Test_E  =[]##Load wine testing UCI data data
data = np.genfromtxt('winequality-white.csv', dtype =float, delimiter =';')#Delete heading
data = np.delete(data,0,0)

x = data[:,:11]
y = data[:,-1]#Train test split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.33,random_state=42)#===============================================================defcalculateE(y,t):#Calculate RMSEreturn mean_squared_error(y, t)#===============================================================#Initialization

Lmax =40
L =0
E =0
ExpectedAccuracy =0while L < Lmax and E >= ExpectedAccuracy:#Increase Node
    L = L +1#Calculate Random weights, they are  already addded into model using hpelm library
    w = random.rand(11,L)#Initialize model
    model = hpelm.ELM(11,1)
    model.add_neurons(L,'sigm')
    
    start_time = time.time()#Train model
    model.train(x_train,y_train,'r')
    
    Train_T.append(time.time()- start_time)#Calculate output weights and intermediate layer
    BL_HL = model.predict(x_test)#Calculate new EMSE
    E = calculateE(y_test,BL_HL)
    
    Test_E.append(E)#Print resultprint("Hidden Node",L,"RMSE :",E)#===================================================================#Find best RMSE
L = Test_E.index(min(Test_E))+1print()print()print()print()#Define model 
model = hpelm.ELM(11,1)
model.add_neurons(L,'sigm')

start_time = time.time()
model.train(x_train,y_train,'r')print('Training Time :',time.time()- start_time)

start_time = time.time()
BL_HL = model.predict(x_train)print('Testing Time :',time.time()- start_time)#Calculate training RMSE  
E = calculateE(y_train,BL_HL)print('Training RMSE :',E)print('Testing RMSE  :',min(Test_E))#===================================================================#Plot Data

plt.subplot(1,2,1)#Generate graph for ANN
plt.plot(range(1,Lmax+1),Test_E)
plt.title('Testing RMSE')
plt.xlabel('Number of Neurons in hidden layer')
plt.ylabel('Testing RMSE')

plt.subplot(1,2,2)#Generate graph for CNN
plt.plot(range(1,Lmax+1),Train_T)
plt.title('Training Time')
plt.xlabel('Number of Neurons in hidden layer')
plt.ylabel('Training Time')

plt.show()

源代码

源代码及文件在这里：Python极限学习机ELM实现线性回归

链接：https://pan.baidu.com/s/1b3yTQp5El-aNwvOT7vad-A
提取码：yyds

❤坚持读Paper，坚持做笔记，坚持学习，坚持刷力扣LeetCode❤！！！
坚持刷题！！！打天梯！！！
⚡To Be No.1

⚡⚡哈哈哈****哈

---

⚡创作不易⚡，过路能❤关注、收藏、点个赞❤三连就最好不过了

ღ( ´･ᴗ･` )

❤

『
日色欲尽花含烟，月明欲素愁不眠。
』