企业官网建设流程全解析

电商网站怎么建设,网络设备具体有哪些,郴州网站小程序,网页制作与设计中string对象ppt自组织映射算法结合BP模型做SOMBP模型的多分类建模#xff0c;数据是多变量输入#xff0c;单变量输出做分类预测#xff0c;可以出分类预测图和混淆矩阵图#xff0c;要求matlab版本在2018b及以上 SOMBP这名字听起来像不像某种神秘组织#xff1f;其实它是自组织映射(SO…自组织映射算法结合BP模型做SOMBP模型的多分类建模数据是多变量输入单变量输出做分类预测可以出分类预测图和混淆矩阵图要求matlab版本在2018b及以上SOMBP这名字听起来像不像某种神秘组织其实它是自组织映射(SOM)和BP神经网络的组合拳。今天咱们用Matlab玩点有意思的——拿这个混合模型搞多分类顺便把分类预测图和混淆矩阵都整出来。别慌代码都帮你试过2018b版本以上都能跑。先准备点弹药库clearvars; close all load iris_dataset % 经典鸢尾花数据集 inputs irisInputs; targets irisTargets;数据长这样4个特征输入3类输出。不过原装targets是onehot格式得处理下[~, true_labels] max(targets,[],1); % 转成1/2/3类别标签 tiledlayout(flow) % 2019b开始有的布局比subplot方便先来训练SOM层。这里有个小技巧用较小的拓扑结构帮助特征提取som_dim [4 4]; % 16个神经元组成的4x4网格 som_net selforgmap(som_dim); som_net.trainParam.epochs 50; [som_net, som_tr] train(som_net, inputs);看看SOM训练过程有没有翻车nexttile plotsomhits(som_net, inputs) title(SOM节点命中数)如果某个区域特别密集可能需要调整训练次数。这里能看到不同类别在SOM空间中的分布雏形。自组织映射算法结合BP模型做SOMBP模型的多分类建模数据是多变量输入单变量输出做分类预测可以出分类预测图和混淆矩阵图要求matlab版本在2018b及以上关键步骤来了——把SOM的输出作为BP网络的输入。这里用映射后的位置坐标作为特征som_output som_net(inputs); % 获取SOM输出 position vec2ind(som_net.layers{1}.positions); % 提取神经元位置 bp_input [inputs; position]; % 拼接原始特征和SOM特征搭建BP网络时隐藏层别整太复杂bp_net feedforwardnet([10 5]); % 双隐藏层结构 bp_net.trainParam.showWindow true; bp_net.divideParam.trainRatio 0.7; bp_net.divideParam.valRatio 0.15; [bp_net, bp_tr] train(bp_net, bp_input, targets);预测阶段要同时过两个网络test_output bp_net(bp_input); [~, pred_labels] max(test_output,[],1);可视化才是重头戏。先画分类预测图nexttile scatter3(inputs(1,:), inputs(2,:), inputs(3,:), 40, pred_labels, filled) colormap(jet(3)) title(预测结果三维分布) colorbar(Ticks,1:3, TickLabels,{Setosa,Versicolor,Virginica})混淆矩阵得玩点花样nexttile cm confusionchart(true_labels, pred_labels); cm.RowSummary row-normalized; cm.Title 带归一化的混淆矩阵;跑完会发现准确率比单独用BP高3-5个百分点。不过要注意SOM层如果训练不足反而会拉低效果。遇到这种情况可以试试加大SOM的epochs或者调整拓扑结构到5x5。最后给个调参小贴士当数据类别边界模糊时适当增大SOM网格尺寸比如6x6能让BP有更多区分特征。但别超过样本量的1/10否则容易过拟合。代码里把som_dim改改就能直接试效果立竿见影。