RBF神經網絡對iris鳶尾花數據集進行分類
2022-11-12
篇首語：本文由小常識網()小編為大家整理，主要介紹了 RBF神經網絡對iris鳶尾花數據集進行分類相關的知識，希望對你有一定的參考價值。
1、內容簡介
略
601-可以交流、咨詢、答疑
2、內容說明
iris以鳶尾花的特征作為數據來源，數據集包含150個數據集，分為3類（,, ），每類50個數據，每個數據包含4個屬性。每一個數據包含4個獨立的屬性，這些屬性變量測量植物的花朵（比如萼片和花瓣的長度等）信息。要求以iris數據為對象，來進行不可測信息（樣本類別）的估計。以每一類前30個數據作為學習樣本，以后20個樣本作為測試樣本，對樣本進行估計，并和實際結果作比較，使用了RBF神經網絡。
一、RBF神經網絡
（徑向基函數），徑向基函數是一個取值僅僅依賴于離原點距離的實值函數，也就是Φ（x）=Φ(‖x‖),或者還可以是到任意一點c的距離，c點成為中心點，也就是Φ（x，c）=Φ(‖x-c‖)。任意一個滿足Φ（x）=Φ(‖x‖)特性的函數Φ都叫做徑向量函數，標準的一般使用歐氏距離，盡管其他距離函數也是可以的。RBF網絡能夠逼近任意的非線性函數bp神經網絡的預測r語言實現，可以處理系統內的難以解析的規律性，具有良好的泛化能力，并有很快的學習收斂速度，已成功應用于非線性函數逼近、時間序列分析、數據分類、模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等。
RBF( Basis )可以看作是一個高維空間中的曲面擬合(逼近)問題，學習是為了在多維空間中尋找一個能夠最佳匹配訓練數據的曲面，然后來一批新的數據，用剛才訓練的那個曲面來處理(比如分類、回歸)。RBF的本質思想是反向傳播學習算法應用遞歸技術，這種技術在統計學中被稱為隨機逼近。RBF里的basis (徑向基函數里的基函數)就是在神經網絡的隱單元里提供了提供了一個函數集，該函數集在輸入模式（向量）擴展至隱空間時，為其構建了一個任意的“基”。這個函數集中的函數就被稱為徑向基函數。 很明顯，RBF屬于神經網絡領域的東西，所以像很多神經網絡一樣，其結構由：輸入層、隱層、輸出層 三層組成。
3、仿真分析
figure
plot(YValidation,'r+');
ylabel('label');
hold on;
plot(output,'b*');
hold off;
legend('Target','Output')
ylim([0 4])
figure
plot(YValidation,'r');
ylabel('label');
hold on;
plot(output,'b');
hold off;
legend('Target','Output')
ylim([0 4])
error = YValidation-output;
figure
bar(error)
title('error')
ylim([-1.2 1.2])
figure
plot(error)
title('error')
ylim([-1.2 1.2])
correcr_rate = length(error(error==0))/length(YValidation)*100;
disp(['預測準確率： ', num2str(correcr_rate), ' % '])
4、參考論文
略
以上是關于 RBF神經網絡對iris鳶尾花數據集進行分類的主要內容bp神經網絡的預測r語言實現，如果未能解決你的問題，請參考以下文章
機器學習之數據處理與可視化鳶尾花數據分類|特征屬性比較
信息融合基于 BP神經網絡和DS證據理論不確定性信息融合問題含源碼 2112期
信息融合基于 BP神經網絡和DS證據理論不確定性信息融合問題含源碼 2112期
基于負相關學習多神經網絡集成的目標識別算法仿真
R語言使用e1071包中的svm函數構建支持向量機SVM模型使用tune.svm函數基于網格搜索(10折交叉驗證)對RBF核函數的gamma參數和cost參數進行參數尋優使用最優參數構建最終模型
基于GA優化BP神經網絡的傳感器故障診斷算法仿真
ELM分類基于遺傳算法優化ELM神經網絡數據分類含源碼 2138期
自然語言處理（NLP）基于循環神經網絡實現情感分類
FNN回歸預測基于蝙蝠算法優化前饋神經網絡數據回歸預測含源碼 2070期
BP回歸預測基于文化算法優化BP神經網絡數據回歸預測含源碼 2124期
