ANN.zip_变量筛选资源-CSDN文库

共1个文件

m：1个

版权申诉

173 浏览量 2022-09-22 23:31:55 上传评论收藏 2KB ZIP 举报

在神经网络模型构建中，变量筛选是一个至关重要的步骤，它涉及到如何从众多输入变量中选择出对模型预测或分类最有贡献的特征。本主题聚焦于"基于BP的神经网络变量筛选"，即利用反向传播（BP）算法来优化神经网络结构并筛选变量。反向传播神经网络（BPNN）是一种广泛应用的多层前馈神经网络，通过反向传播误差信号进行权重调整，以最小化预测误差。在变量筛选过程中，BPNN可以帮助我们识别哪些输入变量对网络的性能影响最大。我们需要理解BP神经网络的工作原理。网络由输入层、隐藏层和输出层组成，每个神经元都有与之相连的权重。在训练阶段，数据输入网络，经过非线性激活函数处理后，权重通过梯度下降法进行更新，目标是使网络的预测结果尽可能接近实际值。变量筛选的过程通常包含以下步骤： 1. **数据预处理**：清洗和标准化输入数据，确保所有变量在同一尺度上，降低异常值的影响。 2. **构建初始模型**：设置一个具有所有输入变量的初始BPNN模型，确定合适的网络结构（如隐藏层层数和神经元数量）。 3. **训练模型**：使用训练集数据对模型进行训练，通过反向传播调整权重。 4. **评估模型**：用验证集数据评估模型的性能，例如使用均方误差（MSE）或准确率等指标。 5. **变量筛选**：逐一移除或组合输入变量，重新训练和评估模型。如果去除某变量后，模型性能下降不明显，那么这个变量可能是冗余的，可以考虑剔除。 6. **迭代优化**：反复进行变量筛选和模型训练，直到找到最优的变量组合，即在保持模型性能的同时，减少输入变量的数量。案例20 "神经网络变量筛选—基于BP的神经网络变量筛选"可能提供了一个实际应用示例，展示了如何运用上述方法进行变量筛选。案例中可能包括具体的数据集、变量选择策略、网络结构设定以及筛选过程的详细记录。通过分析案例，我们可以深入理解BPNN在变量筛选中的作用，以及如何在实际问题中有效地应用这一技术。在实际工作中，变量筛选不仅有助于提高模型的计算效率，还能避免过拟合，使得模型更加简洁且易于解释。此外，对于数据有限或计算资源有限的情况，有效筛选变量尤为重要。通过深入研究和实践"基于BP的神经网络变量筛选"，我们可以更好地掌握特征选择的技巧，提升模型的泛化能力。

资源详情

资源评论

资源推荐

收起资源包目录

ANN.zip （1个子文件）

案例20 神经网络变量筛选—基于BP的神经网络变量筛选

chapter20.m 4KB

%% 案例20:神经网络变量筛选—基于BP的神经网络变量筛选 % % % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr> <td>1：本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">板块</a>里，对<a target="_blank" href="http://www.ilovematlab.cn/thread-48362-1-1.html">该案例</a>提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，配套的完整可运行Matlab程序。</td> </tr> <tr> <td> 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。</td> </tr> <tr> <td> 4：此案例为原创案例，转载请注明出处（<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>，<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>）。</td> </tr> <tr> <td> 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。</td> </tr><tr> <td> 7：此书其他常见问题、预定方式等，<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</td> </tr></table> % </html> % %% 清空环境变量 clc clear %% 产生输入输出数据 % 设置步长 interval=0.01; % 产生x1 x2 x1=-1.5:interval:1.5; x2=-1.5:interval:1.5; % 产生x3 x4（噪声） x=rand(1,301); x3=(x-0.5)*1.5*2; x4=(x-0.5)*1.5*2; % 按照函数先求得相应的函数值，作为网络的输出。 F =20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); %设置网络输入输出值 p=[x1;x2;x3;x4]; t=F; %% 变量筛选 MIV算法的初步实现（增加或者减少自变量） p=p'; [m,n]=size(p); yy_temp=p; % p_increase为增加10%的矩阵 p_decrease为减少10%的矩阵 for i=1:n p=yy_temp; pX=p(:,i); pa=pX*1.1; p(:,i)=pa; aa=['p_increase' int2str(i) '=p']; eval(aa); end for i=1:n p=yy_temp; pX=p(:,i); pa=pX*0.9; p(:,i)=pa; aa=['p_decrease' int2str(i) '=p']; eval(aa); end %% 利用原始数据训练一个正确的神经网络 nntwarn off; p=p'; % bp网络建立 net=newff(minmax(p),[8,1],{'tansig','purelin'},'traingdm'); % 初始化bp网络 net=init(net); % 网络训练参数设置 net.trainParam.show=50; net.trainParam.lr=0.05; net.trainParam.mc=0.9; net.trainParam.epochs=2000; % bp网络训练 net=train(net,p,t); %% 变量筛选 MIV算法的后续实现（差值计算） % 转置后sim for i=1:n eval(['p_increase',num2str(i),'=transpose(p_increase',num2str(i),')']) end for i=1:n eval(['p_decrease',num2str(i),'=transpose(p_decrease',num2str(i),')']) end % result_in为增加10%后的输出 result_de为减少10%后的输出 for i=1:n eval(['result_in',num2str(i),'=sim(net,','p_increase',num2str(i),')']) end for i=1:n eval(['result_de',num2str(i),'=sim(net,','p_decrease',num2str(i),')']) end for i=1:n eval(['result_in',num2str(i),'=transpose(result_in',num2str(i),')']) end for i=1:n eval(['result_de',num2str(i),'=transpose(result_de',num2str(i),')']) end %% MIV的值为各个项网络输出的MIV值 MIV被认为是在神经网络中评价变量相关的最好指标之一，其符号代表相关的方向，绝对值大小代表影响的相对重要性。 for i=1:n IV= ['result_in',num2str(i), '-result_de',num2str(i)]; eval(['MIV_',num2str(i) ,'=mean(',IV,')']) end web browse http://www.ilovematlab.cn/viewthread.php?tid=62460 %% % % <html> % <table align="center" > <tr> <td align="center">版权所有：<a % href="http://www.ilovematlab.cn/">Matlab中文论坛</a>   <script % src="http://s3.cnzz.com/stat.php?id=971931&web_id=971931&show=pic" language="JavaScript" ></script> </td> </tr></table> % </html> %