貝葉斯優化CNN分類matlab代碼

數據為Excel分類數據集數據。

數據集劃分為訓練集、驗證集、測試集，比例為8:1:1

數據處理: 在數據加載后，對數據進行了劃分，包括訓練集、驗證集和測試集，這有助于評估模型的泛化能力。

數據標準化： 對數據進行了 Zscore 標準化處理，有利于提高模型的收斂速度和性能。

參數設置：代碼中設置了貝葉斯迭代次數 BO_iter，通過調整這個參數，可以控制貝葉斯優化算法的迭代次數，從而更好地優化模型的超參數。

可視化結果: 代碼中包含了對訓練過程和預測結果的可視化，包括損失函數的曲線、真實標簽與預測標簽的對比等，有助于直觀地評估模型的性能和結果的準確性。

輸出的定量結果如下：

訓練集正確率：1

驗證集正確率：1

測試集正確率：1

運行時長:17.419

代碼能正常運行時不負責答疑！

代碼有詳細中文介紹。

代碼運行結果如下:

部分代碼如下：
% 清除命令窗口、工作區數據、圖形窗口、警告
clc;
clear;
close all;
warning off;	
load('data')	 	data1=readtable('分類數據集.xlsx'); %讀取數據 	
data2=data1(:,2:end); 	
data=table2array(data1(:,2:end));	
data_biao=data2.Properties.VariableNames;  %數據特征的名稱		
A_data1=data;	data_select=A_data1;	
feature_need_last=1:size(A_data1,2)-1;	%% 數據劃分	x_feature_label=data_select(:,1:end-1);    %x特征	y_feature_label=data_select(:,end);          %y標簽	index_label1=randperm(size(x_feature_label,1));	index_label=G_out_data.spilt_label_data;  % 數據索引	if isempty(index_label)	index_label=index_label1;	end	
spilt_ri=G_out_data.spilt_rio;  %劃分比例 訓練集:驗證集:測試集	
train_num=round(spilt_ri(1)/(sum(spilt_ri))*size(x_feature_label,1));          %訓練集個數	
vaild_num=round((spilt_ri(1)+spilt_ri(2))/(sum(spilt_ri))*size(x_feature_label,1)); %驗證集個數	
%訓練集，驗證集，測試集	
train_x_feature_label=x_feature_label(index_label(1:train_num),:);	
train_y_feature_label=y_feature_label(index_label(1:train_num),:);	
vaild_x_feature_label=x_feature_label(index_label(train_num+1:vaild_num),:);	
vaild_y_feature_label=y_feature_label(index_label(train_num+1:vaild_num),:);	
test_x_feature_label=x_feature_label(index_label(vaild_num+1:end),:);	
test_y_feature_label=y_feature_label(index_label(vaild_num+1:end),:);