贝叶斯优化CNN-GRU回归预测matlab代码
贝叶斯优化方法则采用贝叶斯思想，通过不断探索各种参数组合的结果，根据已有信息计算期望值，并选择期望值最大的组合作为最佳策略，从而在尽可能少的实验次数下达到最优解。
数据为Excel股票预测数据。
数据集划分为训练集、验证集、测试集,比例为8：1：1
模块化结构: 代码将整个流程模块化，使得代码更易于理解和维护。不同功能的代码块被组织成函数或者独立的模块，使得代码逻辑清晰，结构化程度高。
参数化设计: 代码中许多常用的参数被设定为变量，方便用户根据实际情况进行调整和修改，提高了代码的灵活性和可重用性。
参数设置：通过指定参数的值，如贝叶斯迭代次数 BO_iter，使得用户可以灵活地调整算法的参数，以获得更好的性能。
可视化结果: 代码中包含了对训练过程和预测结果的可视化，真实标签与预测标签的对比等，有助于直观地评估模型的性能和结果的准确性。
同时输出多个评价指标：
平均绝对误差（MAE）
平均相对误差（MAPE）
均方误差（MSE）
均方根误差（RMSE）
R方系数（R2）
代码有中文介绍。
代码能正常运行时不负责答疑！
代码运行结果如下：
部分代码如下;
% 清除命令窗口、工作区数据、图形窗口、警告
clc;
clear;
close all;
warning off;
load('data.mat')
data1=readtable('股票价格.xlsx'); %读取数据
data2=data1(:,2:end);
data=table2array(data1(:,2:end));
data_biao=data2.Properties.VariableNames; %数据特征的名称
A_data1=data;
data_select=A_data1;
%% 数据划分
x_feature_label=data_select(:,1:end-1); %x特征
y_feature_label=data_select(:,end); %y标签
index_label1=1:(size(x_feature_label,1));
index_label=G_out_data.spilt_label_data; % 数据索引
if isempty(index_label)
index_label=index_label1;
end
spilt_ri=G_out_data.spilt_rio; %划分比例 训练集:验证集:测试集
train_num=round(spilt_ri(1)/(sum(spilt_ri))*size(x_feature_label,1)); %训练集个数
vaild_num=round((spilt_ri(1)+spilt_ri(2))/(sum(spilt_ri))*size(x_feature_label,1)); %验证集个数
%训练集，验证集，测试集
train_x_feature_label=x_feature_label(index_label(1:train_num),:);
train_y_feature_label=y_feature_label(index_label(1:train_num),:);
vaild_x_feature_label=x_feature_label(index_label(train_num+1:vaild_num),:);
vaild_y_feature_label=y_feature_label(index_label(train_num+1:vaild_num),:);
test_x_feature_label=x_feature_label(index_label(vaild_num+1:end),:);
test_y_feature_label=y_feature_label(index_label(vaild_num+1:end),:);
