科研常用代码（预测分类评价）

clear ; clc; load('dataset.mat');%读入数据集 data=dataset4classification;%data为数据集副本 Data=data(:,5);%Data提取data第5列 max_=max(size(data)); averageAccuracyTrain=0; averageAccuracyTest=0; for i=1:max_ %将第5列到第7列作为类标式列 switch Data(i) case 1 data(i,5:7)=[0,0,1]; case 2 data(i,5:7)=[0,1,0]; case 3 data(i,5:7)=[1,0,0]; end end [P_data,train_ps] = mapstd(data);%对数据集副本data第1到4列规范化 P_data(:,5:7)=data(:,5:7);%将数据集副本data的第5列到第7列链到P_data中，此时P_data为规范化后的数据集 [M,N]=size(P_data); indices=crossvalind('Kfold',P_data(1:M,N),5);%110 5折交叉验证 for k=1:5 [M,N]=size(data);//数据集为一个M*N的矩阵，其中每一行代表一个样本 countTrain=0; ??? indices=crossvalind('Kfold',data(1:M,N),10);//进行随机分包 countTest=0; ??? for k=1:10//交叉验证k=10，10个包轮流作为测试集 test = (indices == k); ??????? test = (indices == k); //获得test集元素在数据集中对应的单元编号 train_ = ~test; ??????? train = ~test;//train集元素的编号为非test元素的编号 train_data=P_data(train_,:); ??????? train_data=data(train,:);//从数据集中划分出train样本的数据 test_data=P_data(test,:); ?train_target=target(:,train);//获得样本集的测试目标，在本例中是实际分类情况 train_t=train_data(:,5:7);%训练目标集 ??????? test_data=data(test,:);//test样本集 train_p=train_data(:,1:4);%训练数据集 ?test_target=target(:,test); test_t=test_data(:,5:7);%测试目标集 test_p=test_data(:,1:4);%测试数据集 train_t=train_t';%转置矩阵 train_p= train_p'; test_t=test_t'; test_p=test_p'; NP1=10;%第1个隐层神经元个数 NP2=8;%第2个隐层神经元个数 TypeNum=3;%输出层神经元个数 net=newff(minmax(train_p),[NP1,NP2,TypeNum],{'logsig','tansig','tansig'},'traingdx');%变学习率动量梯度下降算法traingdx net.trainparam.epochs=3000;%训练次数 net.trainparam.goal=0.01;%目标误差 net.trainparam.show=50; net.trainParam.lr = 0.02; net.trainparam.lr_dec = 0.7;%学习率下降比率 net.trainParam.lr_inc = 1.05;%学习率提高比率 net=train(net,train_p,train_t); [normTrainOutput] = sim(net,train_p);%网络模拟 normTrainOutput = round(normTrainOutput);%对normTrainOutput四舍五入将数据规整为0和1 ValidateTrain=normTrainOutput-train_t;%ValidateTrain为规整数据与训练数据差值 ValidateTrain=sum(abs(ValidateTrain));%对ValidateTrain取绝对值再相加 n=max(size(ValidateTrain));%n为ValidateTrain矩阵的长度 for i=1:n %遍历ValidateTrain若有0值则正确训练数加1 if ValidateTrain(i)==0 countTrain=countTrain+1; end end accuracyTrain=countTrain/n; display('训练总数：'); display(n); display('训练样本中正确的总数:'); display(countTrain); display('正确率:'); display(accuracyTrain); averageAccuracyTrain=accuracyTrain+averageAccuracyTrain; [normTestOutput] = sim(net,test_p); normTestOutput=round(normTestOutput); ValidateTest=normTestOutput-test_t; ValidateTest=sum(abs(ValidateTest)); n=max(size(ValidateTest)); for i=1:n if ValidateTest(i)==0 countTest=countTest+1; end end accuracyTest=countTest/n; display('测试总数：'); display(n); display('测试样本中正确的总数:'); display(countTest); display('正确率:'); display(accuracyTest); averageAccuracyTest=accuracyTest+averageAccuracyTest; end display('训练样本平均准确率') averageAccuracyTrain=averageAccuracyTrain/5; display(averageAccuracyTrain); display('测试样本平均准确率'); averageAccuracyTest=averageAccuracyTest/5; display(averageAccuracyTest); save model net n为输入层神经元，m为输出层神经元，h为隐层神经元,a=1~10个数 % h=sqrt(n+m)+a % h=1.5*n % h=sqrt(n*m) 自适应学习速率通过保证稳定训练的前提下，达到了合理的高速率，可以减少训练时间。