说明
实现基于LVQ（Learning Vector Quantization，学习向量量化）神经网络的乳腺肿瘤诊断分类任务。LVQ是一种监督学习算法，通常用于模式识别和分类任务。
算法思路介绍：
-
导入数据：
- 加载名为"data.mat"的数据文件，其中包含乳腺肿瘤诊断所需的特征和标签信息。
- 将数据集随机打乱，并将其分为训练集和测试集。这里采用了方法：随机打乱数据集并取前500个样本作为训练集，剩余的样本作为测试集。
-
创建网络：
- 使用LVQ神经网络，通过函数创建一个网络。LVQ网络的特点是具有明确的输出神经元和学习向量，适用于分类任务。
- 指定了网络的输入特征范围、输出神经元数量（在这里为20个）、不同类别样本的比例以及学习率等参数。这些参数的选择对网络的性能和分类结果影响很大。
-
设置网络参数：
在这一步，设置了网络的训练参数，包括迭代次数、显示频率、学习率和训练目标。这些参数决定了网络在训练过程中如何调整权重和学习样本的过程。 -
训练网络：
使用函数对创建的LVQ网络进行训练，输入训练数据和对应的目标标签。网络将根据输入数据和目标标签的差异进行权重的调整，以最小化分类误差。 -
仿真测试：
- 训练好网络后，使用函数对测试集进行仿真测试，得到测试集的分类结果。
- 根据LVQ网络的输出结果，将连续的输出转换为离散的类别标签。
-
结果显示：
统计和显示了各种诊断结果，包括总体病例数量、训练集病例数量、测试集病例数量、良性和恶性乳腺肿瘤的确诊数量、误诊数量以及确诊率等信息。
代码实现了一个简单的乳腺肿瘤分类器，通过LVQ神经网络对乳腺肿瘤进行良性和恶性的分类，并输出了分类结果和相关统计信息，以评估分类器的性能。
部分代码（完整代码在最后）：
%% 创建网络
count_B=length(find(Tc_train==1));
count_M=length(find(Tc_train==2));
rate_B=count_B/500;
rate_M=count_M/500;
net=newlvq(minmax(P_train),20,[rate_B rate_M],0.01,'learnlv1');
% 设置网络参数
net.trainParam.epochs=1000;
net.trainParam.show=10;
net.trainParam.lr=0.1;
net.trainParam.goal=0.1;
%% 训练网络
net=train(net,P_train,T_train);
%% 仿真测试
T_sim=sim(net,P_test);
Tc_sim=vec2ind(T_sim);
result=[Tc_sim;Tc_test]
%% 结果显示
total_B=length(find(data(:,2)==1));
total_M=length(find(data(:,2)==2));
number_B=length(find(Tc_test==1));
number_M=length(find(Tc_test==2));
number_B_sim=length(find(Tc_sim==1 & Tc_test==1));
number_M_sim=length(find(Tc_sim==2 &Tc_test==2));
disp(['病例总数：' num2str(569)...' 良性：' num2str(total_B)...' 恶性：' num2str(total_M)]);
disp(['训练集病例总数：' num2str(500)...' 良性：' num2str(count_B)...' 恶性：' num2str(count_M)]);
disp(['测试集病例总数：' num2str(69)...' 良性：' num2str(number_B)...' 恶性：' num2str(number_M)]);
disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)...' 误诊：' num2str(number_B-number_B_sim)...' 确诊率p1=' num2str(number_B_sim/number_B*100) '%']);
disp(['恶性乳腺肿瘤确诊：' num2str(number_M_sim)...' 误诊：' num2str(number_M-number_M_sim)...' 确诊率p2=' num2str(number_M_sim/number_M*100) '%']);结果展示：
