用MATLAB写一个神经网络的决策矩阵

在MATLAB中创建一个简单的神经网络决策矩阵通常涉及以下几个步骤：

1. **导入所需库**:
首先需要安装并加载Neural Network Toolbox，如果还未安装，可以使用`nnstart`命令。

% 检查是否已安装并加载工具箱
if ~exist('nnet', 'dir')
    net = 'install';
end

2. **定义输入、隐藏层和输出层**:
使用`feedforwardnet`函数创建一个基本的前馈神经网络结构，包括输入层、隐藏层（可能包含多个节点）和输出层。

numInputs = % 输入特征的数量；
hiddenLayers = [50]; % 各隐藏层神经元数量，此处假设只有一个隐藏层；
numOutputs = % 类别数；

net = feedforwardnet(hiddenLayers);

3. **训练模型**:
使用`trainNetwork`函数对数据集进行训练。这需要提供训练数据集（输入X和对应的标签Y）。

% 假设你有训练数据 X_train 和 Y_train
net = trainNetwork(X_train, Y_train, 'InitialLearnRate', 0.01, ... % 学习率
                   'MaxEpochs', 100); % 最大迭代次数

4. **评估决策矩阵**:
训练完成后，你可以通过`sim`函数对新的输入进行预测，并查看预测结果，虽然这不是严格的“决策矩阵”，但可以看到每个类别对应的概率。

% 测试数据 X_test 和 Y_test
predictedLabels = classify(net, X_test);
scores = sim(net, X_test);
decisionMatrix = scores; % 这里是一个概率向量，不是传统的决策矩阵，但可用于分类决策

5. **可视化决策边界（非必要，如果需要）**:
对于更复杂的模型，你可能会想要可视化决策边界，可以使用`plotDecisionBoundary`函数，但这超出了基本的决策矩阵范围。

if nargout > 0
    plotDecisionBoundary(net, X_train, Y_train);
end