企业官网建设流程全解析

大连做网站哪家公司好,北京感染人数最新消息,wordpress 农业主题公园,丹阳官方网站建站DNN深度神经网络模型做多输入单输出的拟合预测建模。 程序内注释详细直接替换数据就可以使用。 程序语言为matlab#xff0c;需求版本为2018及以上。 程序直接运行可以出拟合预测图#xff0c;迭代优化图#xff0c;线性拟合预测图#xff0c;多个预测评价指标。在机器学习…DNN深度神经网络模型做多输入单输出的拟合预测建模。 程序内注释详细直接替换数据就可以使用。 程序语言为matlab需求版本为2018及以上。 程序直接运行可以出拟合预测图迭代优化图线性拟合预测图多个预测评价指标。在机器学习领域深度神经网络DNN是一个强大的工具尤其适用于复杂的拟合预测任务。今天咱就来聊聊如何用Matlab2018及以上版本实现基于DNN的多输入单输出拟合预测建模而且直接运行程序就能看到各种超有用的图和预测评价指标。数据准备首先咱得准备数据。假设我们有多个输入特征inputData和对应的输出标签outputData。在实际应用中这些数据可能来自各种传感器、实验记录等等。% 加载数据这里假设数据保存在.mat文件中 load(yourData.mat); % 划分训练集和测试集通常80%数据用于训练20%用于测试 trainRatio 0.8; numSamples size(inputData, 1); trainIndices randperm(numSamples, round(trainRatio * numSamples)); testIndices setdiff(1:numSamples, trainIndices); trainInput inputData(trainIndices, :); trainOutput outputData(trainIndices, :); testInput inputData(testIndices, :); testOutput outputData(testIndices, :);这段代码先是加载数据然后按照设定的比例把数据划分成训练集和测试集。划分的依据就是随机选取一定比例的数据作为训练集剩下的就是测试集啦。构建DNN模型接下来构建DNN模型。Matlab提供了方便的神经网络工具箱来搭建模型。% 创建一个前馈神经网络 layers [ sequenceInputLayer(size(trainInput, 2)) % 输入层维度和输入数据特征数一致 fullyConnectedLayer(10) % 隐藏层10个神经元可以根据实际调整 reluLayer % 激活函数使用ReLU fullyConnectedLayer(1) % 输出层单输出 regressionLayer]; % 回归层因为是拟合预测任务 % 设置训练选项 options trainingOptions(adam,... MaxEpochs, 100,... InitialLearnRate, 0.001,... ValidationData, {testInput, testOutput},... ValidationFrequency, 10,... Verbose, false,... Plots, training-progress);这里先定义了神经网络的层次结构输入层根据输入数据特征数确定隐藏层选了10个神经元这个数量可以像调参数一样根据实验效果调整用ReLU激活函数增加非线性输出层是单输出对应我们的单输出任务。然后设置训练选项用Adam优化器最大训练100轮初始学习率0.001还指定了验证数据和验证频率同时设置了是否打印训练信息和绘制训练过程图。训练模型有了模型和数据那就开始训练吧。% 训练神经网络 net trainNetwork(trainInput, trainOutput, layers, options);就这么简单一行代码Matlab就会按照我们设定的模型和训练选项去训练DNN模型啦。预测与评估训练好模型就得看看效果咋样。% 进行预测 predictedOutput predict(net, testInput); % 计算预测评价指标 mseValue mse(predictedOutput, testOutput); rmseValue sqrt(mseValue); maeValue mae(predictedOutput, testOutput); fprintf(均方误差 (MSE): %.4f\n, mseValue); fprintf(均方根误差 (RMSE): %.4f\n, rmseValue); fprintf(平均绝对误差 (MAE): %.4f\n, maeValue);预测用predict函数然后计算了均方误差MSE、均方根误差RMSE和平均绝对误差MAE这些常见的预测评价指标并且打印出来让我们直观看到模型预测的准确程度。绘图展示最后咱把结果可视化看看拟合预测图、迭代优化图和线性拟合预测图。% 拟合预测图 figure; scatter(testOutput, predictedOutput); xlabel(实际输出); ylabel(预测输出); title(拟合预测图); line([min(testOutput), max(testOutput)], [min(testOutput), max(testOutput)], Color, r, LineStyle, --); % 迭代优化图训练过程图由trainingOptions中的Plots选项生成 % 线性拟合预测图 figure; p polyfit(testOutput, predictedOutput, 1); yFit polyval(p, testOutput); plot(testOutput, yFit, r-, LineWidth, 1.5); hold on; scatter(testOutput, predictedOutput); xlabel(实际输出); ylabel(预测输出); title(线性拟合预测图);拟合预测图用散点图展示实际输出和预测输出的关系还画了条对角线作为参考。线性拟合预测图先做了个线性拟合然后把拟合线和散点画在一起这样能直观看到预测结果和线性关系的符合程度。而迭代优化图在训练过程中就自动生成啦能看到训练过程中损失函数等指标的变化。通过以上步骤我们就完成了基于Matlab的DNN多输入单输出拟合预测建模不仅能得到准确的预测结果还能用各种图和指标清晰展示模型性能。大家不妨动手试试根据自己的数据调整参数说不定能发现更有趣的结果呢。