分類預測 | Matlab實現基于DBN-SVM深度置信網絡-支持向量機的數據分類預測

分類效果

基本描述

1.利用DBN進行特征提取，將提取后的特征放入SVM進行分類實現組合預測。圖很多，包括混淆矩陣圖、預測效果圖， DBN是深度置信網絡,相比于CNN更為新穎。
2.多特征輸入單輸出的二分類及多分類模型。程序內注釋詳細，直接替換數據就可以用。
3.程序語言為matlab，程序可出分類效果圖，混淆矩陣圖，運行環境matlab2018b及以上。
4.代碼特點：參數化編程、參數可方便更改、代碼編程思路清晰、注釋明細。
5.data為數據集，輸入12個特征，分四類；main為主程序，其余為函數文件，無需運行，可在下載區獲取數據和程序內容。

程序設計

• 完整程序和數據獲取方式：私信博主回復Matlab實現基于DBN-SVM深度置信網絡-支持向量機的數據分類預測。

%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  數據轉置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  得到訓練集和測試樣本個數
M = size(P_train, 2);
N = size(P_test , 2);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  數據歸一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test  = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test  = ind2vec(T_test );
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  轉置以適應模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
dbn.sizes = [70 32 56];                 % 隱藏層節點
opts.numepochs = 100;                   % 訓練次數
opts.batchsize = M;                     % 每次訓練樣本個數 需滿足：（M / batchsize = 整數）
opts.momentum  = 0;                     % 學習率的動量
opts.alpha     = 0.01;                  % 學習率dbn = dbnsetup(dbn, p_train, opts);     % 建立模型
dbn = dbntrain(dbn, p_train, opts);     % 訓練模型
————————————————
版權聲明：本文為CSDN博主「機器學習之心」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/kjm13182345320/article/details/131174983

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229