怎么把网站排名,中国建设网官方网站app,网站开发先写后端先写前端,网页链接转二维码1.缺失值的处理 #xff08;1#xff09;像在下面的这个表格里面#xff0c;这个对于缺失的数据#xff0c;我们需要分情况进行分析#xff0c;如果这个数据就是一个数值型的数据#xff0c;我们可以使用平均值进行处理#xff1b; #xff08;2#xff09;对于这个…1.缺失值的处理 1像在下面的这个表格里面这个对于缺失的数据我们需要分情况进行分析如果这个数据就是一个数值型的数据我们可以使用平均值进行处理 2对于这个分类型数据就是比如一个问题你想要吃香蕉苹果还是梨对于这个问题要求我们必须要选择一个这个时候我们就可以依据这个大家的喜好程度把这个众数作为这个填充值这个时候是合理的 3有些时候如果我们有理由去说明这个数据的不存在是合理的这个时候我们就可以不去处理这个缺失的数据 2.异常值的处理 1对于这个异常值我们可以使用正态分布的3西格玛原则进行检验在这个μ3西格玛之外的我们就称之为异常值 2对于这个箱线图包括上面的两个孤立的数据点我们把这个孤立的点就叫做异常值上面的线就是极大值下面的线就是极小值 3对于这个异常值的处理方法我们可以等同于这个缺失值的处理 4箱型图箱线图的说明介绍 这个箱型图就是需要知道一个叫做分位数的东西这个有上四分位数下四分位数这个4是因为我们把这个所有的区间划分为了4份例如这个0~10的数据我们生成4份就是0~2.5,2.5~5,5~7.5,7.5~10这个5就是中位数这个是毋庸置疑的但是这个上四分位数就是7.5下四分位数就是2.5.仅此而已 3.赛题分析--神经网络算法 1这个题目大概是要干什么我们需要做什么这个就是我们首先需要搞明白的我在这个下面放了一张图片这个里面就是让我们去探讨这个AQI可以用来衡量空气质量的一种指标我们想要探讨这个指标和PM2.5     PM10  SO2  CO    NO2   O3这些物质的含量有没有关系我们是否可以根据这个物质含量去预测这个AQI指标 2我们在预测的时候使用到了下面的这个第一种数据处理的方法就是数据的Min-Max规范化处理方法因为这个神经网络需要分为这个数据集和训练集以及这个相关的层感兴趣的可以根据这个案例下去自主学习 3我之前在我的主页专栏python人工智能有相关的介绍但是还是浅显的我自己对于这个方面也不是很了解同学们可以自行学习我也是第一次在这个matlab上面去运行这个代码很多地方不是很了解还是需要学习的同学们可以自己下去学习 4下面有这个源代码前提这个需要有数据但是这个数据是excel形式的我在这个博客里面没有办法导入进来想使用这个案例以及相关数据的小伙伴可以私信我我觉得这个案例还是值得研究的 %%问题: % 有一组北京空气质量数据通过数据中空气中的各成分含量PM2.5,PM10,SO2, % CO,NO,O3预测空气评价指标AQI值。%% 清空环境变量 warning off clc; clear; close all;%% 导入数据 datexlsread(北京空气质量数据(1).xlsx); %% 划分训练集和测试集 date1randperm(126); % date1double(1:126); P_traindate(date1(1:90),5:10); T_traindate(date1(1:90),1); Msize(P_train,2); %返回行向量数P_testdate(date1(91:end),5:10); T_testdate(date1(91:end),1); Nsize(P_test,2);%% 数据归一化 [P_train,ps_input]mapminmax(P_train,0,1); %将最小值和最大值映射到[01] P_testmapminmax(apply,P_test,ps_input);[~,ps_output]mapminmax(T_train,0,1); t_testmapminmax(apply,T_test,ps_output); %% 数据平铺 P_traindouble(reshape(P_train,6,1,1,M));%将数据切割为6×1 P_testdouble(reshape(P_test,6,1,1,N));t_trainT_train; t_testt_test; %% 数据格式转换元胞数组 p_traincell(M,1); for i1:Mp_train(i,1)num2cell(P_train(:,:,1,i),1); endp_testcell(N,1); for i1:Np_test(i,1)num2cell(P_test(:,:,1,i),1); end%% 创建模型 layers[sequenceInputLayer(6) % 建立输入层lstmLayer(4,OutputMode,last) % LSTM层 reluLayer % Relu激活层fullyConnectedLayer(1) % 全连接层regressionLayer]; % 回归层 %% 参数设置 optionstrainingOptions(adam,... % adam 梯度下降法MiniBatchSize,15,... % 批大小MaxEpochs,2000,... % 最大迭代次数InitialLearnRate,8e-2,... % 初始学习率LearnRateSchedule,piecewise ,... % 学效率下降LearnRateDropFactor,0.08,... % 学效率下降因子LearnRateDropPeriod,1000,... % 经过1000次训练后 Shuffle,every-epoch,... % 每次训练打乱数据集Plots,training-progress,... % 画出曲线Verbose,false); %% 训练模型 nettrainNetwork(p_train,t_train,layers,options);%% 仿真测试 t_sim1predict(net,p_train); t_sim2predict(net,p_test );%% 格式转换(double) t_sim1double(t_sim1); t_sim2double(t_sim2);%% 数据反归一化 T_sim1mapminmax(reverse,t_sim1,ps_output); T_sim2mapminmax(reverse,t_sim2,ps_output);%% 均方根误差 error1sqrt(sum((t_sim1-t_train).^2)./M); error2sqrt(sum((t_sim2-t_train).^2)./N);%% 查看网络结构 analyzeNetwork(net)%% 相关指标计算 % R R11-norm(T_train-t_sim1)^2/norm(T_train-mean(T_train))^2; R21-norm(T_test-t_sim2)^2/norm(T_test-mean(T_test))^2;disp(训练集数据R2, num2str(R1)); disp(训练集数据R2, num2str(R2));%% MAE mae1sum(abs(t_sim1-T_train)./M); mae2sum(abs(t_sim2-T_train)./N);disp([训练集数据的MAE,num2str(mae1)]); disp([训练集数据的MAE,num2str(mae2)]);%% MBE mbe1sum(t_sim1-T_train)./M; mbe2sum(t_sim2-T_test)./N;disp([训练集数据的MBE, num2str(mbe1)]); disp([训练集数据的MBE, num2str(mbe2)]);%% 绘图 figure plot(1:M,T_train,r-*,1:M,t_sim1,b-o,LineWidth,1) legend(真实值,预测值) xlabel(预测样本) ylabel(预测结果) gridfigure plot(1:N,t_sim2,b-o,LineWidth,1) legend(预测值) xlabel(预测样本) ylabel(预测结果) grid