上海做原创网站怎样制作wordpress主题汉化包

上海做原创网站,怎样制作wordpress主题汉化包,网站域名实名认证通知,网站空间建设基于长短神经网络LSTM做多特征输入单输出的二分类及多分类模型。 程序内注释详细#xff0c;直接替换数据就可以用。 程序语言为matlab。 程序可出分类效果图#xff0c;迭代优化图#xff0c;混淆矩阵图具体效果如下所示。在机器学习领域#xff0c;长短时记忆网络#x…基于长短神经网络LSTM做多特征输入单输出的二分类及多分类模型。 程序内注释详细直接替换数据就可以用。 程序语言为matlab。 程序可出分类效果图迭代优化图混淆矩阵图具体效果如下所示。在机器学习领域长短时记忆网络LSTM凭借其处理序列数据的独特优势在众多分类任务中崭露头角。今天咱们就来聊聊如何用Matlab基于LSTM搭建多特征输入单输出的二分类及多分类模型。数据准备假设我们的数据已经整理好了存放在一个表格文件里每一行是一个样本不同列对应不同特征最后一列是类别标签。Matlab里读取表格数据很方便比如data readtable(your_data_file.csv); % 假设数据存为CSV文件 features table2array(data(:,1:end - 1)); % 提取特征 labels table2array(data(:,end)); % 提取标签这段代码中readtable函数用于读取表格数据table2array函数将表格数据转换为便于后续处理的数组形式。我们把除最后一列之外的数据当作特征最后一列当作类别标签。二分类模型构建数据预处理对于二分类标签通常需要转换为0和1的形式。假设原始标签是类别名称我们可以这样转换% 假设原始标签有两个类别分别是A和B unique_labels unique(labels); new_labels zeros(size(labels)); for i 1:length(unique_labels) new_labels(strcmp(labels,unique_labels{i})) i - 1; end这里遍历唯一的类别标签将其转换为0和1的形式。这样处理后的数据才能更好地用于二分类LSTM模型。LSTM模型搭建numFeatures size(features,2); % 特征数量 numHiddenUnits 100; % 隐藏单元数量 layers [... sequenceInputLayer(numFeatures) % 序列输入层 lstmLayer(numHiddenUnits) % LSTM层 fullyConnectedLayer(1) % 全连接层 sigmoidLayer % 激活函数层适用于二分类 classificationLayer]; % 分类层sequenceInputLayer接受多特征输入lstmLayer是核心的长短时记忆层fullyConnectedLayer将LSTM层的输出连接到最终的预测节点sigmoidLayer将输出值映射到0 - 1之间适合二分类概率输出最后classificationLayer完成分类任务。模型训练与评估options trainingOptions(adam,... MaxEpochs,100,... InitialLearnRate,0.001,... ValidationData,{features,new_labels},... ValidationFrequency,10,... Verbose,false,... Plots,training-progress); net trainNetwork(features,new_labels,layers,options);trainingOptions设置了训练的超参数像优化器用adam最大训练轮数100初始学习率0.001等。trainNetwork函数开始训练模型。训练结束后我们可以绘制分类效果图、迭代优化图和混淆矩阵图。% 预测 predictions classify(net,features); % 绘制分类效果图 figure; gscatter(features(:,1),features(:,2),predictions); title(二分类效果图); xlabel(特征1); ylabel(特征2); % 绘制迭代优化图 figure; plot(options.TrainingHistory.Loss); title(迭代优化图); xlabel(Epoch); ylabel(Loss); % 绘制混淆矩阵图 confusionmat(new_labels,predictions); figure; cm confusionmat(new_labels,predictions); confusionchart(cm); title(混淆矩阵图);classify函数用于预测类别。分类效果图通过gscatter函数绘制展示不同类别在特征空间的分布迭代优化图展示训练过程中损失函数的变化混淆矩阵图用confusionmat和confusionchart绘制直观反映分类的准确情况。多分类模型构建多分类和二分类在一些地方有区别。比如激活函数层和数据预处理。数据预处理多分类的标签处理稍有不同假设原始标签是123...这样的类别编号我们不需要像二分类那样特殊转换但可能需要进行独热编码。numClasses numel(unique(labels)); oneHotLabels dummyvar(labels);dummyvar函数将类别标签转换为独热编码形式这在多分类中很常用。LSTM模型搭建numFeatures size(features,2); % 特征数量 numHiddenUnits 100; % 隐藏单元数量 layers [... sequenceInputLayer(numFeatures) % 序列输入层 lstmLayer(numHiddenUnits) % LSTM层 fullyConnectedLayer(numClasses) % 全连接层输出节点数为类别数 softmaxLayer % 激活函数层适用于多分类 classificationLayer]; % 分类层这里的区别在于全连接层的输出节点数是类别数激活函数层使用softmaxLayer它能将输出转换为各类别的概率分布。模型训练与评估训练过程和二分类类似只是数据用了独热编码后的标签。options trainingOptions(adam,... MaxEpochs,100,... InitialLearnRate,0.001,... ValidationData,{features,oneHotLabels},... ValidationFrequency,10,... Verbose,false,... Plots,training-progress); net trainNetwork(features,oneHotLabels,layers,options);评估过程和二分类类似只是预测和绘制混淆矩阵稍有不同。% 预测 predictions classify(net,features); % 绘制混淆矩阵图 confusionmat(labels,predictions); figure; cm confusionmat(labels,predictions); confusionchart(cm); title(多分类混淆矩阵图);通过上述步骤我们就实现了基于LSTM的多特征输入单输出的二分类及多分类模型并且能通过Matlab代码直接替换数据就使用同时还能输出直观的效果图来评估模型性能。希望对大家在相关领域的研究和实践有所帮助。