【例子】BP神经网络预测城市犯罪指标

目录

一、BP神经网络简介

1.1.BP神经网络的作用

1.2.BP神经网络模型

二、BP神经网络预测城市犯罪指数

2.1.城市数据介绍

2.2 BP神经网络模型与实现代码

---

本文先简单介绍BP神经网络是什么，有什么用，然后展示如何使用BP神经网络来通过城市医疗、文化、经济等指标来预测城市的犯罪指标。

声明：本文部分图文来自《老饼讲解-BP神经网络》https://bp.bbbdata.com

一、BP神经网络简介

BP神经网络，全称反向传播（Back Propagation）神经网络，是1986年由Rumelhart和McClelland为首的科学家提出的概念。它是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络模型之一。BP神经网络的基本思想是梯度下降法，利用梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差为最小。其核心算法包括信号的前向传播和误差的反向传播两个过程。

1.1.BP神经网络的作用

BP神经网络具有广泛的应用，它可以用于解决各种问题，例如分类问题（如手写数字识别、图像分类等）、回归问题（如预测股票价格、气候预报等）、控制问题（如飞行控制、汽车驾驶控制等）、数据压缩、自然语言处理（如文本分类、机器翻译等）以及强化学习等。此外，BP神经网络还可以应用于解决其他问题，如生物信息学问题、物体识别、脑电信号分析等等。

简单来说，就是在完全不知道X和y的逻辑关系时，可以通过采集到大量历史数据样本，使用BP神经网络来拟合x与y的关系，使得在新样本中可以通过BP神经网络来预测y

如下：

1.2.BP神经网络模型

BP神经网络模型如下：

BP神经网络模型是一种多层前馈神经网络，它主要是根据误差反向传播算法进行训练。这种网络模型由信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。如果输出层不能得到期望的输出，则转入误差的反向传播过程，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

这种网络模型被广泛应用于各种领域，因为它具有很强的映射能力和非线性处理能力。同时，BP神经网络模型也具有一些缺点，例如训练时间长，容易陷入局部最小值等。因此，在实际应用中，需要根据具体问题选择合适的网络结构和参数，以达到最好的效果。

BP更详细的原理与相关推导见：

老饼|BP神经网络

二、BP神经网络预测城市犯罪指数

2.1.城市数据介绍

matlab自带的城市数据cities.mat如下：

共包含329个城市的9个变量数据：

climate,housing,health, crime，transportation,education,arts,recreation,economics

气候、住房、健康、犯罪、交通、教育、艺术、娱乐、经济

2.2 BP神经网络模型与实现代码

这里以第4个变量crime作为我们的预测目标，其余变量作为预测的输入，建立一个三层的BP神经网络如下：

然后选出10个城市作为模型的测试样本，其余城市作为训练样本对BP神经网络进行训练，

matlab中实现代码如下：

clear all ;
setdemorandstream(666);                 %指定随机种子，这样每次训练出来的网络都一样。
load cities.mat
% ratings的各列变量：climate,housing,health, crime，transportation,education,arts,recreation,economics
train_x = ratings(:,[1:3,5:9])';        % 除了crime外,其余作为X变量
train_y = ratings(:,4)';                % 将crime作为y变量

rnd_idx = randperm(size(train_x,2),10); % 随机抽取10个城市作为测试样本
test_x  = train_x(:,rnd_idx);           % 测试样本的输入变量X  
test_y  = train_y(:,rnd_idx);           % 测试样本的输出变量y
train_x(:,rnd_idx) = [];                % 从训练数据中踢除测试样本的x
train_y(:,rnd_idx) = [];                % 从训练数据中踢除测试样本的y

%使用用输入输出数据建立网络，
%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。
net = newff(train_x,train_y,6,{'tansig','purelin'},'trainlm');

%设置一些常用参数
net.trainparam.goal   = 0.0001;               % 训练目标：均方误差低于0.0001
net.trainparam.show   = 400;                  % 每训练400次展示一次结果
net.trainparam.epochs = 15000;                % 最大训练次数：15000.
[net,tr] = train(net,train_x,train_y);        % 调用train函数训练网络

train_py = sim(net,train_x);                  % 调用sim函数计算网络训练数据的预测结果
test_py = sim(net,test_x);                    % 调用sim函数计算网络测试数据的预测结果
% 展示测试数据的结果
bar([test_y;test_py]')                        % 绘制条形图
legend('真实值','预测值')                     % 展示图例
title('城市犯罪指数预测结果')                 % 添加标题
mae_rate = mean(abs(test_y- test_py))/sum(test_y)   % 计算MAE率

代码的运行结果如下：

可以看到，在预测中虽然没有极度准确，但已经有一定的准确性了。

说明BP神经网络在其余城市的样本训练中，已经学习到了气候、住房、健康、交通、教育、艺术、娱乐、经济与犯罪之间的关系。

---

编写不易，点个赞吧~！