BP_Adaboost设计公司账务预警【神经网络二十四】_input_train=t1'; output_train=v1'; input_test=t2';

对于案例来说，共有1350组公司财务状态数据，每组数据的输入为10维，代表11.3.3节提及的10个指标，输出为1维，代表公司的财务状态，取值为1时表示财务状况良好，取值为-1时表示财务出现问题。从中随机选取1000组数据作为训练数据，350组数据作为测试数据。根据数据维数，采用的BP神经网络结构为“10-6-1”，共训练生成10个BP神经网络弱分类器，最后用10个弱分类器组成强分类器对公司财务状况进行分类。
使用MATLAB实现BP_Adaboost模型的预警系统的步骤如下。
（1）选择数据集。从样本空间中选择训练样本和测试样本，并对测试样本分配权重，其中训练数据和测试数据存储在data文件中，input_train、output_train分别为训练输入数据和输出数据，input_test、output_test分别为测试输入数据和输出数据。
（2）弱分类器学习分类。把BP神经网络看作弱分类器，对训练后的样本进行分类，并且根据训练样本的分类结果调整权重，最终得出一系列弱分类器及其权重。
（3）强分类器分类和结果统计。由10组弱分类器的BP神经网络组成强分类器对样本进行分类，并统计分类误差。
实现的MATLAB代码如下：

>> clear all;
load data input_train output_train input_test output_test  %载入数据
%%权重初始化
[mm,nn]=size(input_train);
D(1,:)=ones(1,nn)/nn;
%%弱分类器分类
K=10;
for i=1:K    
    %训练样本归一化
    [inputn,inputps]=mapminmax(input_train);
    [outputn,outputps]=mapminmax(output_train);
    error(i)=0;    
    %构建BP神经网络
    net=newff(inputn,outputn,6);
    net.trainParam.epochs=5;
    net.trainParam.lr=0.1;
    net.trainParam.goal=0.00004;    
    %训练BP神经网络
    net=train(net,inputn,outputn);    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

实现的MATLAB代码如下：

>> clear all;
load data1 input output  %载入数据
%%权重初始化
k=rand(1,2000);
[m,n]=sort(k);
%训练样本
input_train=input(n(1:1900),:)';
output_train=output(n(1:1900),:)';
%测试样本
input_test=input(n(1901:2000),:)';
output_test=output(n(1901:2000),:)';
%样本权重
[mm,nn]=size(input_train);
D(1,:)=ones(1,nn)/nn;
%训练样本归一化
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15