BP神经网络建模流程详解：从数据预处理到效果评估

创作时间:

作者:

@小白创作中心

BP神经网络建模流程详解：从数据预处理到效果评估

引用

来源

https://www.cnblogs.com/bbbdata/articles/18266215

BP神经网络（Backpropagation Neural Network）是一种多层前馈神经网络，通过反向传播算法来调整网络权重，实现对复杂函数的逼近。它在模式识别、分类预测等领域有着广泛的应用。本文将详细介绍BP神经网络的建模流程，帮助读者掌握其核心步骤和具体实现方法。

一、BP神经网络的建模流程

BP神经网络的建模流程如下：

总的来说，BP神经网络建模的主流程共有3个大步骤,6个小步骤，

具体如下：

👉 数据预处理：数据归一化、数据划分

👉 网络构建：网络结构设置、网络训练

👉 效果评估：模型训练效果评估、模型预测效果评估

二、BP神经网络的建模分步讲解

2.1.数据归一化

在建模前，需要先将数据进行归一化，即把数据范围缩放到[-1,1]之间。在matlab中可以使用mapminmax函数对数据进行归一化，如下：

[X,~] = mapminmax(X,-1,1);
[y,~] = mapminmax(y,-1,1);

2.2.数据划分

将数据划分为三部分，一部分用于测试，一部分用于训练。

randIndex  = randperm(100);
trainIndex = sort(randIndex(1:80));       % 随机选出80个数据作为训练数据（这里先选出数据的序号）
testIndex  = sort(randIndex(81:100));     % 将剩下的20个数据作为检验数据（这里先选出数据的序号）
X_train  = X(:,trainIndex);               % 根据序号选出80个用于训练的输入
X_test   = X(:,testIndex);                % 根据序号选出20个用于检验的输入
y_train = y(:,trainIndex);                % 根据序号选出80个用于训练的输出
y_test  = y(:,testIndex);                 % 根据序号选出20个用于检验的输出

这里我们划分了80%的数据作为训练数据，用来训练BP神经网络。

2.3.网络结构设置

要处理好数据之后，我们就需要初始化一个BP神经网络，同时设置好网络的结构，例如隐层层数、隐节点个数、训练算法等等。在matlab中初始化一个BP神经网络使用newff函数，如下：

net = newff(X_train,y_train ,3,{'tansig','purelin'},'trainlm');

2.4.网络训练

设置好网络后，就可以开始训练BP神经网络了，在训练前还可以设置一些训练的参数，例如训练目标goal，训练步数epochs等等，如下

net.trainparam.goal        = 0.0001;                    % 训练目标：均方误差低于0.0001
net.trainparam.show        = 400;                        % 每训练400次展示一次结果
net.trainparam.epochs      = 15000;                      % 最大训练次数：15000.
[net,tr] = train(net,X_train,y_train );  % 调用matlab神经网络工具箱自带的train函数训练网络