文档介绍：该【基于神经网络的数据分类 】是由【非学无以广才】上传分享，文档一共【16】页，该文档可以免费在线阅读，需要了解更多关于【基于神经网络的数据分类 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于神经网络的数据分类基于神经网络的数据分类2024/5/,利用神经网络算法,根据花萼长度,花萼宽度,花瓣长度和花瓣宽度对其进行分类。基于神经网络的数据分类2024/5/92样本包含150组数据,选择90组作为训练样本,60组作为测试样本。输入数据为[花萼长度花萼宽度花瓣长度花瓣宽度],输出数据为花的品种的类别。要做的工作::2 输入层节点数:4输出层节点数:1隐层节点数:m=sqrt(n+l)+a(n为输入层节点数,l为输出层节点数,a为1~10之间的常数)%导入训练样本的数据data=load(‘’);p=data(:,1:4)‘;%输入量t=data(:,5)‘;%输出量%数据归一化到[-1+1][pn,ps]=mapminmax(p);%导入测试样本的数据testdata=load(‘’);p_test=testdata(:,1:4)‘;%输入量t_test=testdata(:,5)‘;%输出量%数据归一化到[-1+1][pn_test,ps]=mapminmax(p_test);:,作为训练样本;,作为测试样本。基于神经网络的数据分类2024/5/:=50;%.=1000;%.=;%.=;%学****系数net=,pn,t);%:net=newff(minmax(pn),[101],{'tansig''purelin'},'traingdx');%隐含层传递函数为transing;%输出层传递函数为purelin;%训练函数为traingdx(有动量和自适应lr的梯度下降法)基于神经网络的数据分类2024/5/:a=,pn_test);a=round(a);%四舍五入取整figure(1)plot(a,':or')holdonplot(t_test,'-*');legend(‘预测类别‘,’实际类别’)title(‘BP网络预测输出')ylabel(‘类别')xlabel(‘样本’)%预测误差error=a-t_test;figure(3)plot(error,'-*')title(‘BP网络预测误差')ylabel(‘误差')xlabel(‘样本')基于神经网络的数据分类2024/5/96figure(3)count=0;%误分类次数holdon;fori=1:60%预测与实际类别都为1ifa(i)<(i)<(p(1,i),p(4,i),‘ro’);elseplot(p(1,i),p(4,i),'r*');count=count+1;End%预测与实际类别都为3elseifa(i)>(i)>(p(1,i),p(4,i),'go');elseplot(p(1,i),p(4,i),'g*');count=count+1;end%预测与实际类别都为1elseif(t_test(i)<=)&&(t_test(i)>=)plot(p(1,i),p(4,i),'bo');elseplot(p(1,i),p(4,i),'b*');count=count+1;endendendrate=(60-count)/60%:基于神经网络的数据分类2024/5/97基于神经网络的数据分类2024/5/98图中红色为第一类,蓝色为第二类,绿色为第三类。结果显示有一个数据分类错误,%。rate=,或者是隐层节点数选择不合适,接下来在经验值范围内改变隐层节点数,观察分类结果。基于神经网络的数据分类2024/5/910