【建模】BP神经网络-快捷建模(二)

接上文《BP神经网络-快捷建模(一)》，上节我们已经展示了代码，那这节我们逐行解说一下代码，以及要注意的地方。

二、BP神经网络-快捷建模-代码解说

好了，我们先来逐行解说下代码。

2.1. 数据加载

首先4-6行是加载数据，这个没有什么好说的，注意每行代表一个变量，每列代表一个样本就好了。

2.2. 模型初始化

接下来是第9行，模型的初始化。

这里需要重点讲一下，首先，隐节点的设置，为什么我会设为6呢，大家只要凭借经验值"20个变量用7个隐节点"去推算就可以了，我们这里共有4个变量，所以应该不需要超过7个隐节点，同时如果隐节点少于3个，拟合能力会极差，所以大概范围在3-7个隐节点，我中肯点，就选择5个隐节点，然后建模后，又随便地试了一下4、6，后来发现6个的效果更好一些，所以最终选择6个隐节点。好了，我们这里只是试探性建模，所以也不用过于纠结。

大家可能会问，"20个变量用7个隐节点"是怎么得出来的，其实没怎么得出来的，就是建模建多了，总结出来的经验值，大家试探性建模时，作为一个参考还是挺实用的，隐节点的设置后面再用一章来详细讲。

然后重点来了，一定是选用三层BP，然后隐层用tansig，输出层用purelin，训练算法用trainlm这样的配置，最好不要去改，改了之后往往还把优化的路堵死了。总的来说，net = newff(X,Y,6,{'tansig','purelin'},'trainlm');只改隐节点个数就好了，其它都不要动。

2.3. 训练参数设置

接下来是第10-16行，设置相关的训练参数了，

一般来说，这里都是不需要改的，但我们还是简单讲解一下。

先说goal和epochs参数，由于trainlm训练基本上很快就会完成训练，它一般会因为validation Check而及早停止训练，它不会真的训练15000步，或者达到0.00001的goal，而我们将goal设为很小、epochs设为很大只是为了让它可以充分训练，不会因为goal或epochs而终止训练。

至于show参数只是用于展示，所以无所谓啦。

下面说说trainRatio、valRatio、testRatio三个参数，由于我们只是试探性建模，训练样本、验证样本、测试样本随机抽就可以了，三个参数按照0.7、0.15、0.15的占比就可以了，当然，如果样本很多，valRatio、testRatio也可以适当的调小一些，三者之和最好为1，这样比较清晰些，如果不为1也没有关系，不为1时matlab会自动将占比归一化。

最后是max_fail了，也就是早停法中validation Check的失败次数，一般用默认值6就可以了，在模型过拟合严重，也就是训练误差小、测试误差较大时，也可以减小validation Check的次数，也就是更早停止训练，但是我尝试这样做，没有太大的效果，大家也可以尝试一下。使用trainlm算法，一般都是因为validation Check的原因而退出训练的，大家不要因为这样而关掉validation Check，这样一般是徒劳无功的，往往只会让模型更加过拟合，虽然也可以尝试把它的值调大些，我一般不会去调它，毕竟一般都是徒劳无功的，总的来说，在理论上max_fail调小些可以抵抗过拟合，调大些可以让训练精度提升(同时测试精度一般会减少)，而最终的结论是，不要调它，一般徒劳无功。

2.4. 模型训练

第18行就是训练模型，并返回结果了，这个没什么好说的。

2.5. 模型训练

第21-32行就是画出训练数据与测试数据的拟合效果了，也没什么好说的。

最后的最后，是指标计算的相关代码。

在这里我们计算了两组指标，一个是训练数据、测试数据的MAE(平均绝对误差)，另一个是将数据归一化到[0,1]之后，再计算的训练数据、测试数据的MAE。为什么要计算这两组指标？下节我们再来解说，这里的代码只负责计算。

最后一句代码、第45行代码，是模型的预测。

其实第45行是句废代码，也可以说是备用代码，只是为了在需要使用sim函数时来预测其它值时，方便复制而已。

小结

好了，这节我们大概地看了一下代码，以及解释了代码中一些需要注意的东西，总的来说，整个代码基本没什么要改动的，都非常简单。