上期推出了一篇：2024年新算法优化CATBOOST参数实现分类，MATLAB与Python魔幻联动
上期文章提到，学会MATLAB调用python模块，你就会打开一扇新世界的大门，凡是python有的机器学习方法，很轻松就可以在MATLAB实现，且运行速度不弱于Python。
至于这样做有什么好处呢？作者认为好处有4（或许更多）：
1.MATLAB语言相较于Python不用配置环境，适合新手；
2.有很多新的智能算法只有MATLAB版本，没有Python版本，在结合机器学习算法调优时更方便；
3.Matlab语言在数据处理，矩阵运算方面更为简单。
4.或许还会有小伙伴用到simulink的，那这时候就非MATLAB不行了。
本期再次验证一下这种调用手法，采用MATLAB调用Py的Lightgbm模块，并实现多种2024新算法对其参数寻优。除此之外，本期代码还实现了优化Lightgbm参数的同时进行特征选择的优化，可谓是满满的创新了！
LightGBM算法是2017年发布的高效分布式梯度提升树算法。相较于其他的改进决策树算法，其特点是运行速度快、准确率高。
本期代码实现功能为：采用MATLAB语言调用python的LightGBM模块，在MATLAB里边实现10种2024新算法和10种经典算法优化LightGBM参数。
本期优化的LightGBM的四个重要参数分别为：（
'learning_rate', 'n_estimators', 'max_depth', 'min_child_samples'.）
优化算法选择了10种2024最新算法和10种经典的优化算法。如下如所示：
之所以选择这么多，也是想教会大家怎么方便快捷的替换自己想替换的算法。代码修改非常方便，直接改函数名字即可！
数据集选择四类音乐语音特征信号，每一类有500个样本，一共有四类。数据的第一列为标签列，后面的24列为特征值。只要你的数据也是这样的形式，就很好替换！
优化LightGBM参数的结果如下：
优化LightGBM参数并同时进行特征选择的结果如下：
不懂为什么要进行特征选择的小伙伴可以看这篇文章：10种2024新算法实现特征选择同时优化XGBOOST参数分类，这里不在赘述。
打印结果如下：
寻优曲线如下：
可以看到，加入特征选的功能，无疑会提升诊断精度。
参考文献：
[1]叶雨彬,韦文山.基于多策略融合鹈鹕优化算法的特征选择方法[J/OL].微电子学与计算机,2023,(12):19-25[2024-03-05].
[2]徐明,龙文.基于多策略融合灰狼优化算法的特征选择方法[J].科学技术与工程,2021,21(20):8544-8551.
[3]Tao Z, Huiling L, Wenwen W, et al. GA-SVM based feature selection and parameter optimization in hospitalization expense modeling[J]. Applied soft computing, 2019, 75: 323-332.(JCR1区，被引次数：217次)
[4]陈思勤,周浩豪,茅大钧.基于改进GWO-LightGBM的磨煤机故障预警方法研究[J].自动化仪表,2024,45(02):106-110+115.DOI:10.16086/j.cnki.issn1000-0380.2023010058.
[5]吴亚钧,王璐,张金江.基于IDBO-LightGBM的光伏阵列故障诊断方法[J/OL].电源学报,1-15[2024-05-08].
关于matlab如何调用Python模块，代码包中有详细的文档解释，包教包会！绝对不会像配置python环境那样繁琐！本期推文的目的就是让小白也会运行此代码！
本文代码获取链接：
https://mbd.pub/o/bread/ZpWZmpxq
或点击下方阅读原文获取。
代码清单：
或者复制链接跳转：https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu