有导师学习神经网络的分类——鸢尾花种类识别

有导师学习神经网络的分类——鸢尾花种类识别，结合具体的案例给出了程序分析

%% 第26章 有导师学习神经网络的分类——鸢尾花种类识别
% 
% 			该案例作者申明：		1：本人长期驻扎在此板块里，对该案例提问，做到有问必答。	2：此案例有配套的教学视频，视频下载请点击http://www.matlabsky.com/forum-91-1.html。 								3：此案例为原创案例，转载请注明出处（《MATLAB智能算法30个案例分析》）。							4：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。						5：以下内容为初稿，与实际发行的书籍内容略有出入，请以书籍中的内容为准。		
% 

%% 清空环境变量
clear all
clc

%% 训练集/测试集产生

% 导入数据
load iris_data.mat
% 随机产生训练集和测试集
P_train = [];
T_train = [];
P_test = [];
T_test = [];
for i = 1:3
    temp_input = features（（i-1）*50+1:i*50:）;
    temp_output = classes（（i-1）*50+1:i*50:）;
    n = randperm（50）;
    % 训练集——120个样本
    P_train = [P_train temp_input（n（1:40）:）‘];
    T_train = [T_train temp_output（n（1:40）:）‘];
    % 测试集——30个样本
    P_test = [P_test temp_input（n（41:50）:）‘];
    T_test = [T_test temp_output（n（41:50）:）‘];
end

%% 模型建立 
result_grnn = [];
result_pnn = [];
time_grnn = [];
time_pnn = [];
for i = 1:4
    for j = i:4
        p_train = P_train（i:j:）;
        p_test = P_test（i:j:）;
       %% GRNN创建及仿真测试
        t = cputime;
        % 创建网络
        net_grnn = newgrnn（p_trainT_train）;
        % 仿真测试
        t_sim_grnn = sim（net_grnnp_test）;
        T_sim_grnn = round（t_sim_grnn）;
        t = cputime - t;
        time_grnn = [time_grnn t];
        result_grnn = [result_grnn T_sim_grnn‘];
       %% PNN创建及仿真测试
        t = cputime;
        Tc_train = ind2vec（T_train）;
        % 创建网络
        net_pnn = newpnn（p_trainTc_train）;
        % 仿真测试
        Tc_test = ind2vec（T_test）;
        t_sim_pnn = sim（net_pnnp_test）;
        T_sim_pnn = vec2ind（t_sim_pnn）;
        t = cputime - t;
        time_pnn = [time_pnn t];
        result_pnn = [result_pnn T_sim_pnn‘];
    end
end

%% 性能评价

% 正确率accuracy
accuracy_grnn = [];
accuracy_pnn = [];
time = [];
for i = 1:10
    accuracy_1 = length（find（result_grnn（:i） == T_test‘））/length（T_test）;
    accuracy_2 = length（find（result_pnn（:i） == T_test‘））/length（T_test）;
    accuracy_grnn = [accuracy_grnn accuracy_1];
    accuracy_pnn = [accuracy_pnn accuracy_2];
end
% 结果对比
result = [T_test‘ result_grnn result_pnn]
accuracy = [accuracy_grnn;accuracy_pnn]
time = [time_grnn;time_pnn]
%% 绘图
figure（1）
plot（1:30T_test‘bo‘1:30result_grnn（:4）‘r-*‘1:30result_pnn（:4）‘k:^‘）
grid on
xlabel（‘测试集样本编号‘）
ylabel（‘测试集样本类别‘）
string = {‘测试集预测结果对比（GRNN v

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1105  2010-10-17 14:51  chapter26\iris_data.mat
     文件        4233  2010-11-30 20:45  chapter26\main.m
     目录           0  2018-01-02 21:38  chapter26\