数据挖掘实验

实验报告说明

本课程一共需要写两个实验报告：

实验报告一：基于人工神经网络的曲线拟合

实验目的：首先，熟悉人工神经网络的产生背景、算法的思想和原理以及步骤；其次，熟悉人工神经网络的Matlab工具箱；最后，通过对曲线的拟合的实验，熟练掌握神经网络的程序设计。

实验时间：第11周周二9-10节、第12周周二9-10节；学时：4

参考程序：

实验数据集文件名：data.mat

%% 清空环境变量

clc

clear

%% 训练数据预测数据提取及归一化

%下载输入输出数据

load data input output %input 是2000行2列，output是1行2000列

%从1到2000间随机排序

k=rand(1,2000); %随机生成一个1行2000列的矩阵

[m,n]=sort(k); %对矩阵K排序，其中m表示从小到大的排序结果，n表示m中各数据的排序前的索引（位置结果）

%产生训练数据和预测数据

input_train=input(n(1:1900),:)'; %input_train为2行1900列的训练的输入矩阵

output_train=output(n(1:1900)); %output_train为1行1900列的训练的输出矩阵

input_test=input(n(1901:2000),:)';

output_test=output(n(1901:2000));

%选连样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train); % mapminmax是对矩阵的行进行归一化处理，其中inputn为归一化后的数据矩阵，inputps是归一化后的结构体，包含最大值、最小值、平均值等信息

[outputn,outputps]=mapminmax(output_train);

%% BP网络训练

% %初始化网络结构

net=newff(inputn,outputn,5);

net.trainParam.epochs=100; %迭代次数

net.trainParam.lr=0.1; %学习率

net.trainParam.goal=0.00004;%目标

%网络训练

net=train(net,inputn,outputn);

%% BP网络预测

%预测数据归一化

inputn_test=mapminmax('apply',input_test,inputps); %按照inputps的规则进行反归一化

%网络预测输出

an=sim(net,inputn_test);

%网络输出反归一化

BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析

figure(1)

plot(BPoutput,':og')

hold on

plot(output_test,'-*');

legend('预测输出','期望输出')

title('BP网络预测输出','fontsize',12)

ylabel('函数输出','fontsize',12)

xlabel('样本','fontsize',12)

%预测误差

error=BPoutput-output_test;

figure(2)

plot(error,'-*')

title('BP网络预测误差','fontsize',12)

ylabel('误差','fontsize',12)

xlabel('样本','fontsize',12)

figure(3)

plot((output_test-BPoutput)./BPoutput,'-*');

title('神经网络预测误差百分比')

errorsum=sum(abs(error))

实验报告二：基于支持向量机的葡萄酒分类

实验目的：首先，熟悉支持向量机的产生背景、算法的思想和原理以及步骤；其次，熟悉支持向量机的Matlab软件包---LibSVM（使用LibSVM软件时，请先安装VC软件）；最后，通过对葡萄酒分类的实验，熟练掌握支持向量机的程序设计。

实验时间：第13周周二9-10节、第14周周二9-10节、第15周周二9-10节；学时：6

参考程序：

实验数据集文件名：chapter12_wine.mat

%% SVM的数据分类预测----意大利葡萄酒种类识别

% 问题描述：wine的数据来自于UCI数据库，记录的是在意大利同一区域上三种不同品种的葡萄酒的化学成分，数据里有178个样本，每个样本含有13个特征分量（化学成分），每个样本的类标签已给。

%% 清空环境变量

close all;

clear;

clc;

format compact; %紧凑格式。数据之间无空行

%% 数据提取

% 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量

load chapter12_wine.mat;

% 画出测试数据的box可视化图

figure;

boxplot(wine,'orientation','horizontal','labels',categories);

title('wine数据的box可视化图','FontSize',12);

xlabel('属性值','FontSize',12);

grid on;

% 画出测试数据的分维可视化图

%% 画出178个样本的类别图

figure

subplot(3,5,1);

hold on

for run = 1:178