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)。