MLP 鸢尾花（iris）数据集+matlab

MLP（多层感知器）是一种常用的人工神经网络模型，可以用于分类和回归问题。鸢尾花数据集是一个经典的机器学习数据集，包含了150个样本，每个样本有四个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，以及所属的三个品种之一：山鸢尾、变色鸢尾和维吉尼亚鸢尾。接下来，我们将演示如何使用 MATLAB 来训练一个 MLP 模型来对鸢尾花数据集进行分类。

首先，我们需要加载鸢尾花数据集，这可以通过以下代码实现：

load fisheriris
X = meas;
Y = species;

接下来，我们需要将数据集划分为训练集和测试集，这里我们将80%的数据作为训练集，20%的数据作为测试集：

cv = cvpartition(size(X,1),'HoldOut',0.2);
idx = cv.test;
Xtrain = X(~idx,:);
Ytrain = Y(~idx,:);
Xtest  = X(idx,:);
Ytest  = Y(idx,:);

然后，我们定义 MLP 网络模型，包括输入层、隐藏层和输出层。这里我们使用一个具有两个隐藏层的 MLP，每个隐藏层有10个神经元，激活函数为 ReLU，输出层有三个神经元，激活函数为 softmax：

hiddenSizes = [10 10];
net = patternnet(hiddenSizes);
net.trainFcn = 'trainscg';
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'logsig';
net.layers{3}.transferFcn = 'softmax';

接下来，我们可以使用训练数据来训练 MLP 模型：

net = train(net,Xtrain',ind2vec(Ytrain')');

最后，我们可以使用测试数据来评估 MLP 模型的性能：

Ypred = vec2ind(net(Xtest'))';
accuracy = sum(Ypred == Ytest)/numel(Ytest)

这里，我们使用了 vec2ind 函数将 MLP 模型的输出转换为预测的类别，使用了 sum 函数和 == 运算符来计算分类准确率。

完整的代码如下：

load fisheriris
X = meas;
Y = species;

cv = cvpartition(size(X,1),'HoldOut',0.2);
idx = cv.test;
Xtrain = X(~idx,:);
Ytrain = Y(~idx,:);
Xtest  = X(idx,:);
Ytest  = Y(idx,:);

hiddenSizes = [10 10];
net = patternnet(hiddenSizes);
net.trainFcn = 'trainscg';
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'logsig';
net.layers{3}.transferFcn = 'softmax';

net = train(net,Xtrain',ind2vec(Ytrain')');

Ypred = vec2ind(net(Xtest'))';
accuracy = sum(Ypred == Ytest)/numel(Ytest)

希望这个示例能够帮助你入门 MLP 模型和 MATLAB 的使用。