基于BP神经网络的Adaboost分类预测，BP-Adaboost分类预测，多特征输入模型。多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。程序语言为matlab，

最新推荐文章于 2023-10-22 10:43:46 发布

智能算法及其模型预测

最新推荐文章于 2023-10-22 10:43:46 发布

阅读量144

点赞数

文章标签：神经网络分类人工智能

本文链接：https://blog.csdn.net/qq_43916303/article/details/131902553

版权

该文介绍了对数据集进行预处理的步骤，包括读取Excel数据，分析类别和特征维度，划分训练集与测试集。之后，重点提及了训练与测试样本的构建，并讨论了混淆矩阵在模型评估中的应用，为后续的智能算法和模型预测做准备。

摘要由CSDN通过智能技术生成

%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行

%% 读取数据
res = xlsread('数据集.xlsx');

%% 分析数据
num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别）
num_dim = size(res, 2) - 1; % 特征维度
num_res = size(res, 1); % 样本数（每一行，是一个样本）
num_size = 0.7; % 训练集占数据集的比例
res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%% 设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];

%% 划分数据集
for i = 1 : num_class
mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本
mid_size = size(mid_res, 1); % 得到不同类别样本个数
mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数

P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入
T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出

P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入
T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出
end

%% 数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';

智能算法及其模型预测