获取资源
请见文章第6节:资源获取】数据分类问题是指根据给定的数据特征,将数据实例划分到不同的预定义类别或标签中的任务。它是机器学习和数据挖掘领域中常见的任务之一。数据分类问题的目标是通过对已知类别的数据进行学习,建立一个分类模型,然后利用该模型对未知数据进行分类预测。
数据分类问题在各个领域都有广泛的应用,包括垃圾邮件过滤、图像识别、医学诊断、金融风险评估等。通过分类模型,可以自动化地对数据进行分类,帮助人们做出决策和进行预测。
%%-----------------------GRNN广义递归神经网络算法--------------------- %%
%构造矩阵P、I
for i = 1:length(Class)
P(i,:) = trainData(i,:);
T(i,:) = Class(i,:);
end
P = P';
T = T';
Class = Class';
%构造测试矩阵textp
for i = 1:length(textClass)
testP(i,:) = testData(i,:);
end
testP = testP';
%GRNN模型的建立和训练(第三个参数spread默认值为1.0)
net = newgrnn(P,Class,0.8);
%GRNN模型对训练集的测试
Groutput_train = sim (net,P);
%计算训练集的识别准确率
[s1,s2] = size(Groutput_train);
count_train = 0;
predictResult_train = ones(s2,1);
for i = 1:s2
[m,index] = max(Groutput_train(:,i));
predictResult_train(i) = index;
[l,std] = max(Class(:,i));
if(index==std)
count_train = count_train + 1;
end
end
%GRNN模型对测试集的测试
Groutput_test = sim (net,testP);
%计算测试集的识别准确率
[s11,s22] = size(Groutput_test);
count_test = 0;
predictResult_test = ones(s22,1);
for i = 1:s22
[m ,index] = max(Groutput_test(:,i));
predictResult_test(i) = index;
[l,std] = max(textClass(:,i));
if(index==std)
count_test = count_test + 1;
end
end
可以获取完整代码资源。