<span style="font-size:18px;">%% 清空环境变量
clear all
clc
warning off
%% 导入数据
load data.mat
a=randperm(569);
Train=data(a(1:500),:);
Test=data(a(501:end),:);
% 训练数据
P_train=Train(:,3:end)';
Tc_train=Train(:,2)';
T_train=ind2vec(Tc_train);
% 测试数据
P_test=Test(:,3:end)';
Tc_test=Test(:,2)';
%% 创建网络
count_B=length(find(Tc_train==1));
count_M=length(find(Tc_train==2));
rate_B=count_B/500;
rate_M=count_M/500;
net=newlvq(minmax(P_train),20,[rate_B rate_M],0.01,'learnlv1');
% 设置网络参数
net.trainParam.epochs=1000;
net.trainParam.show=10;
net.trainParam.lr=0.1;
net.trainParam.goal=0.1;
%% 训练网络
net=train(net,P_train,T_train);
%% 仿真测试
T_sim=sim(net,P_test);
Tc_sim=vec2ind(T_sim);
result=[Tc_sim;Tc_test]
%% 结果显示
total_B=length(find(data(:,2)==1));
total_M=length(find(data(:,2)==2));
number_B=length(find(T
LVQ神经网络的分类
最新推荐文章于 2024-07-08 07:13:55 发布
这篇博客介绍了如何利用LVQ(Learning Vector Quantization)神经网络对数据进行分类。通过导入数据、划分训练和测试集,创建并训练LVQ网络,然后进行仿真测试以评估网络性能。结果显示了不同类型的病例总数、训练集和测试集的病例分布,以及LVQ网络在良性和恶性乳腺肿瘤确诊上的准确率。
摘要由CSDN通过智能技术生成