iris數(shù)據(jù)集

本文所用數(shù)據(jù)集??????iris分類數(shù)據(jù)集文章來源地址http://www.zghlxwxcb.cn/news/detail-614461.html

1.數(shù)據(jù)預(yù)處理

%% 1.數(shù)據(jù)預(yù)處理
oridata=readtable('Iris.xls','Sheet','Sheet1');
X=table2array(oridata(:,(1:4))); % X轉(zhuǎn)化為array類型
Y=table2array(oridata(:,5));  % Y因為包含中文字符，默認會轉(zhuǎn)化為cell類型
allSample_Num=length(Y); %樣本數(shù)量

% 中文分類變量轉(zhuǎn)換為數(shù)字分類變量  確保這里Y是cell類型
for ii = 1:numel(Y)
    if strcmp(Y{ii}, 'Iris-setosa')
        Y{ii} = 1;
    elseif strcmp(Y{ii}, 'Iris-versicolor')
        Y{ii} = 2;
    elseif strcmp(Y{ii}, 'Iris-virginica')
        Y{ii} = 3;
    end
end
Y=cell2mat(Y); % 將Y轉(zhuǎn)換為array類型

2.設(shè)置test和train

test_Ratio=0.2; % 測試集比例

c = cvpartition(allSample_Num, 'HoldOut', test_Ratio); % 通過交叉驗證的劃分對象進行隨機劃分
trainIdx=training(c); % logistics數(shù)組，值1表示被選取 
testIdx=test(c);  % sum(testIdx) == allSample_Num*0.2

X_train=X(trainIdx,:)'; % why轉(zhuǎn)置？——適應(yīng)netff函數(shù)和mapminmax函數(shù)的輸入要求（行-特征、列-樣本）
X_test=X(testIdx,:)';
Y_train=Y(trainIdx,:)';
Y_test=Y(testIdx,:)';

3.數(shù)據(jù)歸一化

%% 3.數(shù)據(jù)歸一化
[X_train_std, X_train_stdps]=mapminmax(X_train,-1,1);  % X_train歸一化
% [Y_train_std, Y_train_stdps]=mapminmax(Y_train);
X_test_std=mapminmax('apply',X_test,X_train_stdps);  % X_test采用和X_train一樣的歸一化方式
Y_train_OneHot=ind2vec(Y_train); % ind2vec 轉(zhuǎn)為獨熱編碼
Y_test_OneHot=ind2vec(Y_test);

4.設(shè)定net參數(shù)

MSE=1e+10;  % 最優(yōu)均方誤差，初始化一個極大值
hid_Num=0;  % 最優(yōu)hidden層數(shù)目，初始化為0
transF_func={'tansig','purelin'}; % hidden層和out層的激活函數(shù)
btf_func='trainlm';  % 反向傳播：學(xué)習(xí)參數(shù)的方法（梯度下降）
lr=0.01; % 學(xué)習(xí)率
epochs=500;   % 訓(xùn)練次數(shù)
goal=0.001; % 收斂誤差（均方誤差）

5.構(gòu)建、訓(xùn)練net

net=newff(X_train_std, Y_train_OneHot, 4, transF_func, btf_func);
net.trainParam.lr=lr;
net.trainParam.epochs=epochs;
net.trainParam.goal=goal;
net.trainparam.show = 50 ;% 顯示中間結(jié)果的周期
net=train(net, X_train_std, Y_train_OneHot);

6.結(jié)果測試

res_Train=sim(net,X_train_std); % 3×120，每個樣本的各類別概率
res_Test=sim(net,X_test_std);   % 3×30，每個樣本的各類別概率

res_Train=vec2ind(res_Train); % 1×120，反歸一化，找到分類概率最大的所在分類
res_Test=vec2ind(res_Test); % 1×30，反歸一化，找到分類概率最大的所在分類

acu_Train=sum(res_Train==Y_train)/allSample_Num*100 % train準確率
acu_Test=sum(res_Test==Y_test)/(allSample_Num*test_Ratio)*100 % test準確率

總結(jié)

1. maxminmap歸一化函數(shù)和netff函數(shù)的輸入矩陣都是==”行特征，列樣本“==的格式，注意轉(zhuǎn)置
2. BP實現(xiàn)分類時，Y為分類變量，預(yù)處理時需要將其轉(zhuǎn)換成獨熱編碼，sim后將得到的類別概率轉(zhuǎn)換成分類數(shù)值，可通過以下函數(shù)實現(xiàn)：
   ind2vec：1×120 --> 3×120（轉(zhuǎn)成獨熱編碼，稀疏矩陣）
   vec2ind：3×120 --> 1×120 （取每一列概率分布值的max）
3. 多次訓(xùn)練時，應(yīng)保證隨機選取樣本不變（不要一次運行所有代碼）
4. 

到了這里，關(guān)于matlab BP神經(jīng)網(wǎng)絡(luò)對iris數(shù)據(jù)集進行分類的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！