基于BP神经网络的公司财务风险分类（代码完整，数据齐全）

clc clear close all load maydata.mat rand('state',2) num =a; n = randperm(length(num)); m = round(0.7*length(num)); input_train=num(n(1:m),1:8)';%训练数据的输入数据 output_train=num(n(1:m),9)';%训练数据的输出数据 input_test=num(n(m+1:end),1:8)';%测试数据的输入数据 output_test=num(n(m+1:end),9)'; %测试数据的输出数据 %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train,-1,1);%训练数据的输入数据的归一化 [outputn,outputps]=mapminmax(output_train,-1,1);%训练数据的输出数据的归一化de %% BP网络训练 % %初始化网络结构 %trainc traincgb traincgf traincgp traingda traingdx trainlm %trainoss trainr trainrp trains trainscg net=newff(minmax(inputn),[25,1],{'logsig','purelin'},'trainscg'); net=newff(minmax(inputn),[25,1],{'logsig','tansig'},'trainlm'); %net.trainParam.showWindow = false;%关闭训练窗口 %net.trainParam.max_fail = 9; net.trainParam.epochs=2000;%最大迭代次数 net.trainParam.lr=0.01;%学习率 net.trainParam.goal=0.01;%学习目标 %网络训练 net=train(net,inputn,outputn); %% BP网络预测 %预测数据归一化 inputn_test=mapminmax('apply',input_test,inputps); outt =mapminmax('apply',output_test,outputps); %网络预测输出 an=sim(net,inputn_test); %网络输出反归一化 BPoutput=round(mapminmax('reverse',an,outputps)+0.1); BPoutput(BPoutput<0)=0; BPoutput(BPoutput>1)=1; [MSE ,RMSE, MBE ,MAE ] =MSE_RMSE_MBE_MAE(output_test(1,:),BPoutput(1,:)) R_2 = R_2(output_test(1,:),BPoutput(1,:)) %% 结果分析 figure plot(BPoutput(1,:),'ro')%预测的结果数据画图-代表虚线，O代表圆圈标识，r代表红色 hold on plot(output_test(1,:),'k*');%期望数据，即真实的数据画图，-代表实现，*就是代表*的标识,k代表黑色 hold on legend('BP神经网络测试仿真值','真实值','Location','southeast')%标签 title('BP神经网络','fontsize',12)%标题 字体大小为12 xlabel('年份','fontsize',12)%X轴 ylabel('ST') set(gca,'fontsize',12) set(gca,'YTick',0:1) ylim([-0.1 1.1]) %预测误差 error=BPoutput-output_test; figure plot(error(1,:),'-*') title('BP网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('年份','fontsize',12) set(gca,'fontsize',12) zhunquelv = sum(BPoutput==output_test)/length(output_test) tp =0; fn = 0; fp = 0; tn = 0; for ii = 1:length(output_test) if output_test(ii)==BPoutput(ii) if output_test(ii)==1%负负 tn = tn+1; else tp = tp+1;%正正 end else if output_test(ii)==1%负正 fp = fp+1; else fn = fn+1;%正负 end end end acc = (tp+tn)./(tp+tn+fp+fn) spec = tn/(tn+fp) sens = tp/(tp+fn)