MATLAB ANN分类方法：以鸢尾花数据集为例

Iris数据集简介

Iris数据集是机器学习领域的经典数据集，包含150个样本，用于花的分类任务。每个样本由4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和一个类别标签（1-Setosa、2-Versicolour、3-Virginica）组成。数据集以5列的形式存储，前4列为特征值，第5列为类别标签。

数据预处理

在监督学习任务中，需要将数据集划分为训练集和测试集。通常，iris数据集将近一半的数据（如前50个样本）作为训练集，剩余数据作为测试集。为了保证模型的泛化能力，训练集和测试集的划分应尽量遵循类别分布。需要注意的是，在实际应用中，数据预处理步骤可能会因任务需求而有所不同。

分类模型构建

神经网络结构设计

特征归一化

对输入特征值进行归一化处理，使用minmax函数获取输入信号的最大值和最小值，确保神经网络收敛。

神经网络创建

使用newff函数创建一个两层的神经网络，网络结构为：

输入层（4个神经元）→ 激活函数logsig

隐层（10个神经元）→ 激活函数purelin

输出层（3个神经元）→ 激活函数purelin
选择traingdx作为训练函数，支持自适应学习率。

训练参数设置

学习率（Learning rate）：0.01

目标误差（goal）：0.01

迭代次数（epochs）：500

显示中间结果的周期：50

网络训练

使用train函数对网络进行训练，训练目标是输出与实际标签一致。

测试阶段

测试数据归一化

对测试集的特征值进行归一化处理，与训练集保持一致。

网络仿真

使用sim函数对训练后的网络进行仿真，获取对测试集的分类结果。

准确率计算

通过比较预测结果与真实标签，计算分类准确率。逻辑如下：

初始化计数器hitNum为0。

遍历所有测试样本，找到最大值对应的索引。

累加正确分类的情况。

最后计算并输出准确率。

代码解释

神经网络创建

% 读取训练数据
clear clc
% 创建神经网络
net = newff(minmax(input), [10 3], {'logsig' 'purelin'}, 'traingdx');

minmax(input)：获取输入信号的最大值和最小值。

[10 3]：网络层数和节点数，前一层为10个神经元，输出层为3个神经元。

{ 'logsig' 'purelin' }：激活函数配置，第一层为logsig，第二层为purelin。

'traingdx'：使用自适应学习率的梯度下降训练函数。

网络训练

% 设置训练参数
net.trainparam.show = 50;
net.trainparam.epochs = 500;
net.trainparam.goal = 0.01;
net.trainParam.lr = 0.01;
% 开始训练
[net, input, output] = train(net, input, output');

net.trainparam.show：设置训练显示周期。

net.trainparam.epochs：设置最大迭代次数。

net.trainparam.goal：设置训练目标误差。

net.trainParam.lr：设置学习速率。

测试仿真

% 读取测试数据
[t1 t2 t3 t4 c] = textread('testData.txt', '%f%f%f%f%f', 150);
% 测试数据归一化
testInput = minmax([t1 t2 t3 t4]');
% 仿真测试
Y = sim(net, testInput);
% 统计准确率
[s1, s2] = size(Y);
hitNum = 0;
for i = 1:s2
    [m, Index] = max(Y(:, i));
    if Index == c(i)
        hitNum = hitNum + 1;
    end
end
printf('识别率是 %3.3f%%', 100 * hitNum / s2);

testInput = minmax([t1 t2 t3 t4'])：对测试数据进行归一化处理。

Y = sim(net, testInput)：对训练好的网络进行仿真，获取预测结果。

hitNum：统计正确分类的数量。

最后打印识别准确率。

总结

通过以上方法，我们可以使用ANN算法对鸢尾花数据集进行分类。MATLAB的神经网络工具箱提供了便捷的接口，使得构建和训练分类模型变得简单。无论是训练集还是测试集，都需要经过数据预处理，确保模型的泛化能力。通过调整网络结构和训练参数，可以进一步提升分类准确率。这种方法不仅适用于鸢尾花分类，还可以广泛应用于其他分类任务。

转载地址：http://iebc.baihongyu.com/

你可能感兴趣的文章