神经网络分类

神经网络分类是一种机器学习技术，用于对数据进行分类预测。它模仿人类大脑的工作原理，通过构建多层次的神经元网络来学习输入数据之间的复杂关系，并在训练过程中调整网络参数，使其能够准确地将输入数据映射到相应的类别。

神经网络分类通常包括以下关键步骤：

1. 数据准备：收集和准备带有标签的数据集，确保每个样本都有对应的类别标签。

2. 网络设计：选择合适的神经网络结构，包括输入层、隐藏层（可以有多个）和输出层。每一层都由多个神经元组成，神经元之间通过连接权重进行信息传递。

3. 数据预处理：对输入数据进行预处理操作，如归一化、标准化、特征提取等，以便更好地训练神经网络模型。

4. 网络训练：使用训练数据集来训练神经网络模型。通过反向传播算法不断调整网络中的权重和偏置，使得网络能够逐渐学习到数据的特征和规律。

5. 网络评估：使用独立的测试数据集来评估训练好的神经网络模型的性能。通常包括计算分类准确率、混淆矩阵、精确率和召回率等指标。

6. 模型应用：当模型训练和评估完成后，可以将其应用于新的未知数据，进行分类预测。

神经网络分类具有较强的非线性拟合能力和适应能力，可以处理复杂的数据关系和大规模数据集。它被广泛应用于图像识别、语音识别、自然语言处理等领域，并在许多实际应用中取得了良好的效果。

总的来说，神经网络分类是一种强大的机器学习技术，通过构建多层次的神经元网络来实现对数据的分类预测，具有广泛的应用前景和潜力，其和神经网络预测有点类似的，也是要输入大量训练数据，用误差来调节权值，有所区别的是使用到的。

在神经网络分类中，通常使用交叉熵损失函数（cross-entropy loss function）来衡量模型输出与真实标签之间的差异，同时使用softmax激活函数来将神经网络的输出转换为表示类别概率的形式。

在神经网络预测中，则通常使用均方误差（mean squared error）或其他回归损失函数来衡量模型输出与真实数值之间的差异。

在训练过程中，两者也有些微的差异，比如在数据预处理和评估指标的选择上可能会有所不同，但总体上来说，它们使用的算法是相似的，主要集中在神经网络的设计和训练上。

代码部分：

    clc
    clear
    %这里的是matlabt提供红酒案例,在工作区会生成红酒178个案例有着13个特征的输入
    %，每个案例都对应一个分类，这里分类成了三种红酒类别
    load wine_dataset.mat  %下载案例数据
    input1 =wineInputs;
    input = sparse(input1);  % 将输入数据转换为稀疏格式
    output=wineTargets;
    for i=1:1:size(wineTargets,2)%size的用法是算出数组大小的，返回行和列的数目，2是返回列的数，总为178
        output1(i) = find(wineTargets(:,i) == max(wineTargets(:,i)));%这里的作用就是把编码化为10进制的
    end
    output2=output1';%把列转置为行
    winInput =wineInputs';%对把列转置为行
   res=[winInput,output2];%把输入特征的和输出结果合并在一起

    %%上述的转置合并，如果数据的行是特征值，列表示的是样本数，最后一列的是结果就不需要转置了


   temp=randperm(178);%用于打乱数据集


   %选择训练集数据，一般选取70%，这里有178个，所以测试样本为124个，
   P_train = res(temp(1:124),1:13)';
   T_train = res(temp(1:124),14)';%训练结果
   M = size(P_train,2);     %获取训练集的数目
   %测试集
   P_test = res(temp(125:end),1:13)';
   T_test = res(temp(125:end),14)';%训练结果
   N = size(P_test,2);            %获取测试集的数目
    %数据归一化
    [p_train,ps_input]=mapminmax(P_train,0,1);
    p_test =mapminmax('apply',P_test,ps_input);
    t_train =ind2vec(T_train);%把数字编码化为010的形式
    t_test =ind2vec(T_test );

    %建立模型
    net = newff(p_train, t_train, 6, {'tansig', 'logsig'});  % 设置隐藏层激活函数为tansig，输出层激活函数为logsig
    
    % 设置输出层激活函数为softmax，损失函数为交叉熵损失函数
    net.layers{end}.transferFcn = 'softmax';
    net.performFcn = 'crossentropy';


    %% 设置训练参数
    net.trainParam.epochs =1000;%最大迭代次数
    net.trainParam.goal=1e-6;%最大选代次数%目标训练误
    net.trainParam.lr=0.01;% 学习率
    
    
    % 训练网络
    net =train(net,p_train,t_train);
    %% 仿真测试
    t_sim1 = sim(net,p_train);
    t_sim2 = sim(net,p_test);
    %% 数据反归一化
     T_sim1 = vec2ind(t_sim1);
     T_sim2 = vec2ind(t_sim2);
    %数据排序
    [T_train, index_1]= sort(T_train);
    [T_test ,index_2]=sort(T_test );
    
    T_sim1 =T_sim1(index_1);
    T_sim2 =T_sim2(index_2);

    %性能评价
    error1 = sum((T_sim1 == T_train))/M*100;
    error2 = sum((T_sim2 == T_test))/N*100;
    
    %创建图表来观测准确率
    figure 
    plot(1:M,T_train,'r-',1:M,T_sim1,'b-o','Linewidth',1)
    legend('真实值','预测值')
    xlabel('预测样本')
    ylabel('预测结果')
    str = sprintf('训练集预测结果对比\n准确率=%.2f%%', error1);
    title(str)
    xlim([1,N])
    grid
    


    %下列的是对训练好的模型输入新的数据进行分类
    x = res(177, 1:13); %这个是截取了训练数据的输入
    %下面是根据一个输入样本进行修改了的
    x1=[14.77,4.39,	5.28,19.5,86,2.39,1.51,	0.48,0.64,9.8,1.57,1.2,450];
     
    new_data_normalized = mapminmax('apply', x1', ps_input);
    
    % 使用训练好的网络模型对新数据进行仿真测试
    predicted_output = sim(net, new_data_normalized);
    
    % 将仿真结果进行反归一化处理，得到最终预测结果
    predicted_class = vec2ind(predicted_output);
    
    disp('预测结果:');
    disp(predicted_class);

运行结果：

 在124个训练样本训练出来的模型，用52个测试样本验证，准确率可达97.58%，准确率还是可以的。

使用新的且为和测试数据相近的数据输入到这个模型，也可以很好进行分类