用MATLAB写一份slp的

在MATLAB中编写一个简单的线性回归模型SLP（Single Layer Perceptron，单层感知器），可以分为以下几个步骤：

% 导入所需库
import Statistics Toolbox

% 假设我们有一个数据集（X和y）
data = readtable('your_data.csv'); % 请替换为实际的数据文件路径
X = data(:, 1:end-1); % 特征矩阵
y = data(:, end);   % 目标变量

% 数据预处理（归一化或标准化）
X = (X - min(X)) / (max(X) - min(X)); % 对于数值特征，通常归一化到0-1之间

% 初始化权重和阈值
weights = randn(size(X, 2), 1); % 权重向量，初始随机
bias = 0;                        % 阈值初始化为0

% 学习率和迭代次数
learning_rate = 0.01;
num_iterations = 1000;

% 梯度下降算法训练模型
for iter = 1:num_iterations
    output = sigmoid(dot(X, weights) + bias); % 使用sigmoid激活函数
    error = y - output;                    % 计算误差
    gradient_weights = X' * error .* sigmoid.gradient(output);
    gradient_bias = sum(error);
    
    % 更新权重和阈值
    weights = weights + learning_rate * gradient_weights;
    bias = bias + learning_rate * gradient_bias;
end

% 创建一个函数用于预测新数据
predict_slp = @(x) sigmoid(dot(x, weights) + bias);

% 测试模型
test_data = ... % 你的测试数据
predicted_y = predict_slp(test_data);

% 结果展示
disp(['Training complete. R-squared for the model: ', num2str(r2_score(y, predicted_y))])

在这个例子中，我们假设`sigmoid`函数和其导数已经定义好，`r2_score`函数是计算R²得分，这些都是为了简化演示。实际应用中，你可能需要从Statistics and Machine Learning Toolbox导入这些函数。