Matlab实现基于BP神经网络的数据分类预测

matlab语言实现基于BP神经网络的数据分类预测-四分类,其步骤如下:

一、载入原始数据,这里以测试数据存放在Excel表格中为例。

%%  导入数据
res = xlsread('数据集.xlsx');

二、将数据集划分为训练集和测试集。

temp = randperm(357);

P_train = res(temp(1: 240), 1: 12)'; %训练集特征
T_train = res(temp(1: 240), 13)';    %训练集标签
M = size(P_train, 2);

P_test = res(temp(241: end), 1: 12)'; %测试集特征
T_test = res(temp(241: end), 13)';    %测试集标签
N = size(P_test, 2);

三、对训练、测试数据进行归一化处理。

%%  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);
t_test  = ind2vec(T_test );

四、建立BP神经网络分类模型。

net = newff(p_train, t_train, 4);

五、设置BP神经网络的训练参数。

net.trainParam.epochs = 1000;   % 最大迭代次数
net.trainParam.goal = 1e-6;     % 目标训练误差
net.trainParam.lr = 0.01;       % 学习率

六、训练分类模型。

net = train(net, p_train, t_train);

七、将训练集和测试集数据分别输入模型进行仿真测试。

%%  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);

八、对模型进行误差评估,计算分类准确率,并绘制预测结果与真实分类的对比曲线。

%%  性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;

%%  绘图
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')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
xlim([1, M])
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid

 九、对于步骤八的分类结果绘制混淆矩阵。

%%  混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
    
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

 

 

 以上就是matlab实现基于BP神经网络的数据分类预测的全部代码。如果有不懂的小伙伴儿,欢迎评论留言或者私信,代码订制也可私信博主(Q:809315756)。

  • 12
    点赞
  • 86
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 11
    评论
Mnist数据集是一个经典的手写数字识别数据集,包含了60,000个训练样本和10,000个测试样本。每个样本都是一个28x28的灰度图像,图像中包含了手写数字0-9。我们的任务是利用Matlab对这些图像进行分类。 首先,我们需要载入Mnist数据集。Matlab提供了一个方便的函数`loadMNISTImages`和`loadMNISTLabels`来加载数据。我们可以使用这些函数加载训练集图像和标签、测试集图像和标签。加载完后,我们就可以开始进行分类了。 接下来,我们可以使用任何机器学习算法来对Mnist数据进行分类。一种常用的算法是支持向量机(SVM)。Matlab提供了`fitcecoc`函数来训练支持向量机分类器。我们可以使用训练集图像和标签来训练分类器,并使用测试集图像进行预测。可以使用`predict`函数来获取预测结果。 另一种常用的算法是神经网络Matlab提供了`patternnet`和`train`函数来构建和训练神经网络分类器。我们可以定义一个具有多层隐藏层的神经网络,然后使用训练集图像和标签进行训练,并使用测试集图像进行预测。 最后,根据分类结果,我们可以计算准确率作为评估分类器的指标。准确率是指在所有预测中正确分类的比例。我们可以通过将预测结果与真实标签进行比较来计算准确率。 通过以上步骤,我们可以用Matlab对Mnist数据进行分类。希望这个回答能够对您有帮助。
评论 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Xloserbin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值