网站建设最新签约,漯河英文网站建设,东莞网站建设曼哈顿信科,怎么制作属于自己的网站【MATLAB第58期】基于MATLAB的PCA-Kmeans、PCA-LVQ与BP神经网络分类预测模型对比
一、数据介绍
基于UCI葡萄酒数据集进行葡萄酒分类及产地预测
共包含178组样本数据#xff0c;来源于三个葡萄酒产地#xff0c;每组数据包含产地标签及13种化学元素含量#xff0c;即已知类…【MATLAB第58期】基于MATLAB的PCA-Kmeans、PCA-LVQ与BP神经网络分类预测模型对比
一、数据介绍
基于UCI葡萄酒数据集进行葡萄酒分类及产地预测
共包含178组样本数据来源于三个葡萄酒产地每组数据包含产地标签及13种化学元素含量即已知类别标签。 把样本集随机分为训练集和测试集70%训练30%测试根据已有数据集训练一个能进行葡萄酒产地预测的模型以正确区分三个产地所产出的葡萄酒 分别采用PCAKmeans、PCALVQ、BP神经网络等方法进行模型的训练与测试准确率都能达到95%左右。
二、效果展示
1.PCA-Kmeans train_accuracy 0.95
test_accuracy 0.98
2.PCA-LVQ 3.BP 三、代码展示部分代码
clear all;
wine_data xlsread(wine.xlsx); %分类标签默认第一列method BP;%PK: PCA Kmeans
%PL: PCA LVQ
%BP: BP Neural Network
rate 0.7;%训练集70%测试集30%
N size(unique(wine_data(:,1)),1);;total_cnt size(wine_data,1);
train_cnt round(total_cnt*rate);
test_cnt total_cnt - train_cnt;rand_idx randperm(total_cnt);
train_idx rand_idx(1:train_cnt);
test_idx rand_idx(train_cnt1:total_cnt);train_data wine_data(train_idx,2:size(wine_data,2));
train_class wine_data(train_idx,1);
test_data wine_data(test_idx,2:size(wine_data,2));
test_class wine_data(test_idx,1);
dim size(wine_data,2)-1;%矩阵z-score标准化
train_SM zeros(train_cnt,dim);
data_mean mean(train_data);
data_std std(train_data);
test_SM zeros(test_cnt,dim);
for j 1:dimtrain_SM(:,j) (train_data(:,j) - data_mean(j)) / data_std(j);test_SM(:,j) (test_data(:,j) - data_mean(j)) / data_std(j);
end四、代码获取
私信回复“58期”即可获取下载链接。
