概率神经网络PNN

最新推荐文章于 2026-03-12 17:45:00 发布

原创最新推荐文章于 2026-03-12 17:45:00 发布 · 3.1k 阅读

13 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

matlab

当前文章被收录于：

matlab

12 篇文章 4 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

本文介绍了一种使用概率神经网络(PNN)对葡萄酒数据集进行分类的方法。通过加载数据、预处理、划分训练集与测试集，并调整模型参数如扩散系数(spread)，实现了对葡萄酒品质的有效分类。结果显示，当扩散系数设置为3.0时，模型在测试集上的准确率达到最高。

%加载数据
data = csvread('D:\python\anaconda\kaggle\wine.csv',1);
x = data(:,1:13);
y = data(:,14);
y = y+1; %标签值必须为正(含有label=0需要进行此步操作)

%划分数据集
[m,n] = size(x);
index = randsample(m,m);
x_train = x(index(1:130),:)'; %M x N
y_train = y(index(1:130),:)'; %1 x N
x_test = x(index(131:178),:)';
y_test = y(index(131:178),:)';

%建立模型
net = newpnn(x_train,ind2vec(y_train),1.0);

%模型预测
ptrain = vec2ind(sim(net,x_train));
train_error = y_train - ptrain;
train_acc = length(find(train_error==0))/130; %训练集准确率

ptest = vec2ind(sim(net,x_test));
test_error = y_test - ptest;
test_acc = length(find(test_error==0))/48; %测试集准确率

disp(['训练集 acc = ',num2str(train_acc),' 测试集 acc = ',num2str(test_acc)])

%%
%speard = 1.0 train_acc = 1 test_acc = 0.75
%spread = 2.0 train_acc = 1 test_acc = 0.75
%spread = 3.0 train_acc = 1 test_acc = 0.77
%spread = 4.0 train_acc = 1 test_acc = 0.67