MATLAB模式识别实现指标分类评估预测如环境业绩等-Use_For_Predict.m

MATLAB模式识别实现指标分类评估预测如环境业绩等-Use_For_Predict.m
最近看到很多会员需要使用MATLAB神经网络做如下的事情：

1：MATLAB神经网络对水的质量的分类、评估、预测 （属于环境类分类、评估预测）
2：MATLAB神经网络对空气质量的分类、评估、预测 （属于环境类分类、评估预测）
2：MATLAB神经网络对土壤质量的分类、评估、预测 （属于环境类分类、评估预测）
3：MATLAB神经网络对学员的个人表现进行分类、评估、预测 （属于个人业绩鉴定）
4：MATLAB神经网络对医学、生物学上的细胞、疾病等分类、评估等（属于医学、生物学）
5：MATLAB神经网络对交通、物流等效率方面的分类、评估、预测等（属于交通、物流管理）
6：MATLAB神经网络用于故障诊断
7：概括来讲，就是使用神经网络对某些指标（如空气质量、水质量、个人业绩等）进行“有限”的分类、预测、评价等。

在这里，我特别强调“有限”两个字，因为这正是模式识别工具箱可以解决的问题。我看到很多会员使用不同的神经网络（如模糊识别，RBF, SVM等）。根据我多年的使用经验，其实基于多层BP网络的模式识别是最容易实现、效果非常满意、且结果非常具有说服力。很多会员没有掌握模式识别的精髓，或者网络训练好以后不知道如何评估、使用等。现在我用一个完整的例子来给大家展示一下它的优点。

不知道什么是模式识别，什么是BP网络的会员，请先看一下这个视频：MATLAB模式识别工具箱视频教学

用MATLAB模式识别工具箱（函数）来对某些指标（如空气质量、水质量、个人业绩等）进行分类、评估、预测，分为三步：
数据准备训练和评估预测

下面我来一步一步讲解，先谈数据的准备：
确保输入数据（包括训练以及将来要预测的数据）在比较接近的范围里（归一化是其中一种方式）。

这一个步骤不仅仅是在模式识别里，其实在任何一种网络里，这一步都是必须的。比如说你有400组数据，每组数据对应一个中国县城的空气质量。假设每组数据含有6个指标（称之为A,B,C,D,E,F,G), 如果数据A的范围是10^5-10^7, F的范围是0.1-0.5， 如果用这些数据来训练，很容易导致网络的权重也有同样的数量级的差别，结果是你的网络会非常的“敏感”（可以想象一下，如果F对应的权重是10^10,那么即使F稍微变化一下，都有可能导致网络的输出结果不同。而有时候这样的敏感度并不是你想要的，你可以对数据进行归一化处理，把数据都转换到0-1的区间内。

MATLAB模式识别工具箱可以自动对输入数据进行归一化处理，所以你只要明白这个过程，但是并不需要你额外写程序来处理这些数据。对输出数据进行二进制量化

通常情况下，用于测试的输入数据所对应的输出数据不是量化数据，比如说：优、良，或者是一级、二级等等。那么通常我们用二进制来表达，两位数字的二进制可以表示3类（01，10，11），三位数字的二进制可以表示7类（001，010，011，100，101，110，111，通常我们不使用000)。二进制的顺序不重要，比如说优可以对应001,也可以用010来表示。

经过简单处理，输入数据和新添加的二进制输入数据如下图所示：

神经网络——输入数据模式识别.png MATLAB模式识别实现指标分类、评估、预测

原始训练数据下载： training_data.xls MATLAB模式识别实现指标分类、评估、预测 把数据导入到MATLAB程序里close all
clear all
clc
x=xlsread;
y=xlsread;
inputs = x';
targets = y';复制代码

我们再谈谈网络的训练和评估：
你可以使用MATLAB自带的模式识别工具箱界面来导入数据、调整参数等，然后得到结果。我通常第一次这样使用，得到一个基础架构以后，然后生成m代码，再在代码上修改。这里我演示给大家，如果通过程序来实现。下面是用来做模式识别的代码（工具箱产生的函数）：
% 创建一个模式识别网络（两层BP网络），同时给出中间层神经元的个数，这里使用20
hiddenLayerSize = 20;
net = patternnet;

% 对数据进行预处理，这里使用了归一化函数（一般不用修改）
% For a list of all processing functions type: help nnprocess
net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
net.o