【LSTM】基于Matlab的LSTM模型建模（代码）

训练目标：用LSTM训练数据
数据：随时间递增，患者患病的概率（横坐标1个单位代表1个时间单位）

以下代码可直接运行

clc
clear
close all
warning off             % 关闭报警信息
%% 1.数据操作
%  1.1.导入数据（时间序列的单列数据）
result=[0.491920000000000;0.493110000000000;0.493500000000000;0.493130000000000;0.493030000000000;0.493300000000000;0.494200000000000;0.493710000000000;0.496820000000000;0.517990000000000;0.520820000000000;0.519940000000000;0.526180000000000;0.539890000000000;0.539940000000000;0.544180000000000;0.546260000000000;0.548060000000000;0.546630000000000;0.555100000000000;0.563040000000000;0.579750000000000;0.565900000000000;0.563570000000000;0.564210000000000;0.560570000000000;0.558160000000000;0.561030000000000;0.561560000000000;0.560440000000000;0.558830000000000;0.559350000000000;0.560960000000000;0.563650000000000;0.563540000000000;0.567910000000000;0.575060000000000;0.583420000000000;0.601880000000000;0.601530000000000;0.606360000000000;0.606550000000000;0.630050000000000;0.620690000000000;0.614940000000000;0.603100000000000;0.607630000000000;0.603300000000000;0.599720000000000;0.598090000000000;0.593870000000000;0.588400000000000;0.585860000000000;0.585130000000000;0.582710000000000;0.582340000000000;0.583140000000000;0.583010000000000;0.587090000000000;0.585560000000000;0.583510000000000;0.582330000000000;0.581860000000000;0.582250000000000;0.581560000000000;0.581720000000000;0.581850000000000;0.581700000000000;0.581640000000000;0.581730000000000;0.581750000000000;0.582010000000000;0.582300000000000;0.582010000000000;0.581950000000000;0.581610000000000;0.581560000000000;0.581350000000000;0.581390000000000;0.581390000000000;0.581460000000000;0.578030000000000;0.575260000000000;0.575350000000000;0.574720000000000;0.574490000000000;0.574030000000000;0.573920000000000;0.573570000000000;0.573930000000000;0.573110000000000;0.569010000000000;0.567140000000000;0.564360000000000;0.562870000000000;0.547610000000000;0.552310000000000;0.549870000000000;0.550070000000000;0.550230000000000;0.547310000000000;0.542390000000000;0.534440000000000;0.526430000000000;0.517120000000000;0.519210000000000;0.518710000000000;0.513420000000000;0.513700000000000;0.516800000000000;0.515670000000000;0.514780000000000;0.515900000000000;0.518920000000000;0.523500000000000;0.529110000000000;0.533660000000000;0.534560000000000;0.534840000000000;0.544520000000000;0.548930000000000;0.547530000000000;0.550070000000000;0.551520000000000;0.551900000000000;0.548020000000000;0.548340000000000;0.545510000000000;0.542860000000000;0.539040000000000;0.534920000000000;0.530500000000000;0.527860000000000;0.521330000000000;0.518660000000000;0.514010000000000;0.509850000000000;0.518760000000000;0.515490000000000;0.515520000000000;0.511880000000000;0.507600000000000;0.506950000000000;0.505560000000000;0.503360000000000;0.501310000000000;0.491530000000000;0.492310000000000;0.506920000000000;0.511040000000000;0.515040000000000;0.514190000000000;0.512240000000000;0.506010000000000;0.498760000000000;0.492790000000000;0.494370000000000;0.497710000000000;0.499380000000000;0.500720000000000;0.503000000000000;0.499770000000000;0.499120000000000;0.498010000000000;0.494530000000000;0.492070000000000;0.490980000000000;0.491880000000000;0.486550000000000;0.482350000000000;0.478690000000000;0.481420000000000;0.486600000000000;0.483140000000000;0.485200000000000;0.486450000000000;0.487920000000000;0.484740000000000;0.482780000000000;0.477770000000000;0.470000000000000;0.462320000000000;0.452610000000000;0.449950000000000;0.440330000000000;0.431450000000000;0.440030000000000;0.448320000000000;0.448890000000000;0.450310000000000;0.444580000000000;0.445540000000000;0.451420000000000;0.464090000000000;0.458530000000000;0.457430000000000;0.462820000000000;0.464640000000000;0.472200000000000;0.481920000000000;0.479030000000000;0.469390000000000;0.460680000000000;0.459740000000000;0.456930000000000;0.456570000000000;0.454550000000000;0.449380000000000;0.446460000000000;0.442270000000000;0.439160000000000;0.439590000000000;0.442490000000000;0.435250000000000;0.433820000000000;0.438930000000000;0.438690000000000;0.447310000000000;0.449910000000000;0.456990000000000;0.458640000000000;0.465590000000000;0.459120000000000;0.452850000000000;0.443170000000000;0.441500000000000;0.438940000000000;0.436990000000000;0.431910000000000;0.424760000000000;0.430160000000000;0.427400000000000;0.428270000000000;0.427210000000000;0.424490000000000;0.420810000000000;0.421140000000000;0.418800000000000;0.424450000000000;0.423260000000000;0.421040000000000;0.422550000000000;0.419320000000000;0.413910000000000;0.415110000000000;0.418610000000000;0.416820000000000;0.418680000000000;0.417220000000000;0.414720000000000;0.410470000000000;0.410220000000000;0.410460000000000;0.415340000000000;0.420080000000000;0.424610000000000;0.426650000000000;0.428930000000000;0.429900000000000;0.422950000000000;0.419840000000000;0.415020000000000;0.417300000000000;0.414550000000000;0.417120000000000;0.426030000000000;0.430160000000000;0.438500000000000;0.449040000000000;0.455390000000000;0.450630000000000;0.442190000000000;0.444520000000000;0.449320000000000;0.456670000000000;0.463000000000000;0.460970000000000;0.465340000000000;0.473150000000000;0.480470000000000;0.481410000000000;0.484040000000000;0.501350000000000;0.512490000000000;0.502950000000000;0.506600000000000;0.523500000000000;0.529070000000000;0.532140000000000;0.538260000000000;0.538910000000000;0.556210000000000;0.557800000000000;0.542430000000000;0.542970000000000;0.543120000000000;0.558870000000000;0.547000000000000;0.551350000000000;0.554080000000000;0.533670000000000;0.541600000000000;0.548510000000000;0.547460000000000;0.533460000000000;0.529090000000000;0.524910000000000;0.519110000000000;0.513990000000000;0.523360000000000;0.531840000000000;0.530700000000000;0.525780000000000;0.520660000000000;0.534100000000000;0.531300000000000;0.535090000000000;0.536950000000000;0.540470000000000;0.542610000000000;0.545830000000000;0.548130000000000;0.553070000000000;0.553920000000000;0.556190000000000;0.560570000000000;0.568670000000000;0.567120000000000;0.563730000000000;0.560180000000000;0.551870000000000;0.546230000000000;0.555360000000000;0.556180000000000;0.557860000000000;0.562760000000000;0.571520000000000;0.578350000000000;0.577720000000000;0.582280000000000;0.579830000000000;0.571850000000000;0.572100000000000;0.577450000000000;0.588550000000000;0.581540000000000;0.570350000000000;0.580370000000000;0.580630000000000;0.585510000000000;0.584050000000000;0.590000000000000;0.590300000000000;0.584600000000000;0.587830000000000;0.594780000000000;0.597830000000000;0.603780000000000;0.619160000000000;0.627030000000000;0.613980000000000;0.617240000000000;0.620570000000000;0.623700000000000;0.618400000000000;0.618670000000000;0.632310000000000;0.634660000000000;0.649350000000000;0.657350000000000;0.649250000000000;0.647890000000000;0.654770000000000;0.662730000000000;0.663750000000000;0.664650000000000;0.682750000000000;0.681650000000000;0.664860000000000;0.649870000000000;0.645800000000000;0.639220000000000;0.634110000000000;0.638150000000000;0.642500000000000;0.631970000000000;0.631250000000000;0.635560000000000;0.653930000000000;0.651470000000000;0.652590000000000;0.650590000000000;0.654460000000000;0.657290000000000;0.656220000000000;0.667190000000000;0.673240000000000;0.661900000000000;0.658900000000000;0.667880000000000;0.669440000000000;0.668110000000000;0.664600000000000;0.666930000000000;0.671470000000000;0.665430000000000;0.666580000000000;0.668040000000000;0.671790000000000;0.672500000000000;0.675660000000000;0.681920000000000;0.685250000000000;0.693360000000000;0.704380000000000;0.702430000000000;0.693650000000000;0.706050000000000;0.713330000000000;0.707970000000000;0.712950000000000;0.707080000000000;0.706040000000000;0.693340000000000;0.687040000000000;0.674400000000000;0.678960000000000;0.685600000000000;0.696410000000000;0.691640000000000;0.699000000000000;0.698750000000000;0.704670000000000;0.710290000000000;0.712730000000000;0.722190000000000;0.719400000000000;0.722420000000000;0.719630000000000;0.715720000000000;0.722510000000000;0.730600000000000;0.739300000000000;0.751700000000000;0.762520000000000;0.756560000000000;0.755640000000000;0.763110000000000;0.762040000000000;0.758280000000000;0.762220000000000;0.763190000000000;0.779590000000000;0.785660000000000;0.809540000000000;0.806740000000000;0.804970000000000;0.814850000000000;0.834480000000000;0.822580000000000;0.816410000000000;0.788810000000000;0.792560000000000;0.810850000000000;0.832280000000000;0.830430000000000;0.835600000000000;0.849000000000000;0.856660000000000;0.867680000000000;0.878970000000000;0.895190000000000;0.896600000000000;0.892060000000000;0.898690000000000;0.913530000000000;0.922270000000000;0.935610000000000;0.938890000000000;0.921270000000000;0.869760000000000;0.826410000000000;0.828530000000000;0.815750000000000;0.779670000000000;0.809480000000000;0.816780000000000;0.821870000000000;0.792000000000000;0.789300000000000;0.787830000000000;0.785480000000000;0.789820000000000;0.775390000000000;0.772650000000000;0.762180000000000;0.728890000000000;0.715260000000000;0.712710000000000;0.713220000000000;0.739190000000000;0.719260000000000;0.715430000000000;0.715060000000000;0.736560000000000;0.759460000000000;0.743740000000000;0.700780000000000;0.706900000000000;0.708020000000000;0.706430000000000;0.700290000000000;0.695900000000000;0.700140000000000;0.703770000000000;0.695410000000000;0.678490000000000;0.674730000000000;0.696070000000000;0.700300000000000;0.699190000000000;0.692950000000000;0.692300000000000;0.694570000000000;0.716960000000000;0.711960000000000;0.719450000000000;0.707630000000000;0.692490000000000;0.678380000000000;0.688180000000000;0.686310000000000;0.674950000000000;0.677400000000000;0.683160000000000;0.683610000000000;0.665430000000000;0.655030000000000;0.648620000000000;0.649220000000000;0.650990000000000;0.663280000000000;0.669970000000000;0.671100000000000;0.658980000000000;0.664310000000000;0.659560000000000;0.648940000000000;0.657190000000000;0.666020000000000;0.670540000000000;0.672520000000000;0.677190000000000;0.671770000000000;0.668180000000000;0.674410000000000;0.668040000000000;0.675910000000000;0.677610000000000;0.692380000000000;0.694410000000000;0.699730000000000;0.696180000000000;0.700950000000000;0.710600000000000;0.703620000000000;0.699770000000000;0.703980000000000;0.701310000000000;0.698180000000000;0.702390000000000;0.698860000000000;0.688420000000000;0.676940000000000;0.678220000000000;0.666080000000000;0.656860000000000;0.653630000000000;0.658250000000000;0.656530000000000;0.654030000000000;0.649010000000000;0.636560000000000;0.630800000000000;0.625640000000000;0.621790000000000;0.622430000000000;0.617970000000000;0.613470000000000;0.610800000000000;0.601640000000000;0.594810000000000;0.598480000000000;0.595160000000000;0.615230000000000;0.612410000000000;0.604500000000000;0.613810000000000;0.622020000000000;0.620760000000000;0.618260000000000;0.617480000000000;0.625090000000000;0.626490000000000;0.634950000000000;0.634240000000000;0.619360000000000;0.615270000000000;0.607310000000000;0.605570000000000;0.607800000000000;0.609030000000000;0.614830000000000;0.610600000000000;0.603480000000000;0.601690000000000;0.585820000000000;0.568740000000000;0.563040000000000;0.565430000000000;0.558210000000000;0.551860000000000;0.551920000000000;0.545770000000000;0.547080000000000;0.535890000000000;0.547430000000000;0.552190000000000;0.559520000000000;0.563260000000000;0.567380000000000;0.570850000000000;0.572400000000000;0.566170000000000;0.564120000000000;0.543380000000000;0.543060000000000;0.545270000000000;0.533060000000000;0.532580000000000;0.537240000000000;0.527550000000000;0.533110000000000;0.535540000000000;0.530660000000000;0.535040000000000;0.536640000000000;0.551380000000000;0.551790000000000;0.558320000000000;0.567050000000000;0.585720000000000;0.584990000000000;0.593260000000000;0.585620000000000;0.581670000000000;0.585820000000000;0.589620000000000;0.586620000000000;0.593590000000000;0.594590000000000;0.587800000000000;0.593750000000000;0.596710000000000;0.594860000000000;0.589590000000000;0.575720000000000;0.569790000000000;0.568050000000000;0.564350000000000;0.560920000000000;0.551080000000000;0.545250000000000;0.540760000000000;0.539080000000000;0.547160000000000;0.553760000000000;0.556280000000000;0.555050000000000;0.563650000000000;0.568130000000000;0.565330000000000;0.570910000000000;0.572890000000000;0.565760000000000;0.570300000000000;0.577430000000000;0.581640000000000;0.582150000000000;0.581820000000000;0.591080000000000;0.588700000000000;0.590120000000000;0.583080000000000;0.590050000000000;0.594930000000000;0.600420000000000;0.615200000000000;0.634030000000000;0.635550000000000;0.636160000000000;0.657160000000000;0.643990000000000;0.643770000000000;0.621070000000000;0.615170000000000;0.616980000000000;0.610010000000000;0.606910000000000;0.620190000000000;0.635960000000000;0.634980000000000;0.635970000000000;0.646780000000000;0.645700000000000;0.634560000000000;0.619990000000000;0.621920000000000;0.643390000000000;0.630660000000000;0.625400000000000;0.635180000000000;0.632240000000000;0.633940000000000;0.639710000000000;0.639080000000000;0.636150000000000;0.625910000000000;0.622040000000000;0.617490000000000;0.616620000000000;0.602820000000000;0.606260000000000;0.605550000000000;0.595060000000000;0.589950000000000;0.590340000000000;0.584500000000000;0.595990000000000;0.610700000000000;0.620350000000000;0.623400000000000;0.613260000000000;0.610620000000000;0.610070000000000;0.611150000000000;0.611570000000000;0.607930000000000;0.597150000000000;0.593580000000000;0.591350000000000;0.592790000000000;0.593870000000000;0.587850000000000;0.580410000000000;0.575180000000000;0.562600000000000;0.554110000000000;0.551600000000000;0.549230000000000;0.539720000000000;0.534340000000000;0.526720000000000;0.517330000000000;0.518000000000000;0.527950000000000;0.535200000000000;0.530910000000000;0.533640000000000;0.524540000000000;0.507960000000000;0.510780000000000;0.512240000000000;0.513040000000000;0.507500000000000;0.509500000000000;0.507830000000000;0.509980000000000;0.517850000000000;0.515030000000000;0.521670000000000;0.529150000000000;0.516060000000000;0.523480000000000;0.522030000000000;0.511430000000000;0.508400000000000;0.502780000000000;0.503380000000000;0.512300000000000;0.522580000000000;0.529280000000000;0.540410000000000;0.560960000000000;0.571760000000000;0.563840000000000;0.561370000000000;0.564700000000000;0.589710000000000;0.585490000000000;0.583510000000000;0.576030000000000;0.578100000000000;0.579330000000000;0.591360000000000;0.605690000000000;0.614760000000000;0.612650000000000;0.621790000000000;0.615130000000000;0.601890000000000;0.593610000000000;0.594690000000000;0.586180000000000;0.593260000000000;0.600960000000000;0.594320000000000;0.590320000000000;0.577900000000000;0.576470000000000;0.575320000000000;0.571960000000000;0.581270000000000;0.584080000000000;0.583910000000000;0.577220000000000;0.563670000000000;0.564300000000000;0.556890000000000;0.562090000000000;0.560180000000000;0.552560000000000;0.545880000000000;0.532640000000000;0.538390000000000;0.540820000000000;0.562580000000000;0.555160000000000;0.559280000000000;0.551700000000000;0.558200000000000;0.569850000000000;0.570620000000000;0.577840000000000;0.582420000000000;0.581550000000000;0.579550000000000;0.576740000000000;0.569680000000000;0.569260000000000;0.568820000000000;0.562650000000000;0.559010000000000;0.551890000000000;0.547190000000000;0.550320000000000;0.547830000000000;0.543580000000000;0.538010000000000;0.532670000000000;0.523640000000000;0.522400000000000;0.517920000000000;0.523840000000000;0.520690000000000;0.521070000000000;0.519510000000000;0.516620000000000;0.503430000000000;0.501560000000000;0.507790000000000;0.550220000000000;0.584630000000000;0.571750000000000;0.587570000000000;0.589820000000000;0.616920000000000;0.634770000000000;0.648740000000000;0.654930000000000;0.656780000000000;0.658470000000000;0.647710000000000;0.635390000000000;0.637160000000000;0.650110000000000;0.661010000000000;0.652260000000000;0.649150000000000;0.650230000000000;0.656720000000000;0.691870000000000;0.701090000000000;0.693680000000000;0.694180000000000;0.690760000000000;0.696150000000000;0.685530000000000;0.673900000000000;0.663490000000000;0.657650000000000;0.646610000000000;0.646040000000000;0.634500000000000;0.637570000000000;0.651480000000000;0.649040000000000;0.646080000000000;0.648770000000000;0.657860000000000;0.660850000000000;0.677380000000000;0.666280000000000;0.667600000000000;0.672070000000000;0.664990000000000;0.670610000000000;0.668150000000000;0.678570000000000;0.666570000000000;0.667400000000000;0.665700000000000;0.646990000000000;0.648570000000000;0.659220000000000;0.662910000000000;0.656360000000000;0.657800000000000;0.672060000000000;0.674700000000000;0.674810000000000;0.677170000000000;0.675510000000000;0.673970000000000;0.673180000000000;0.668810000000000;0.671860000000000];
%  1.2.数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长（kim个历史数据作为自变量）
zim =  5;%1;                      % 跨zim个时间点进行预测%  1.3.划分数据集
%得到数据集大小：length(result)-kim-zim+1行，kim+zim+1列
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%  1.4.数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例，0到1之间
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_dim = size(res, 2) - outdim;                  % 输入特征维度
%  1.5.划分训练集和测试集
P_train = res(1: num_train_s, 1: f_dim)';%取前num_train_s比例的数据构成训练集
T_train = res(1: num_train_s, f_dim + 1: end)';%取后(1-num_train_s)比例的数据构成测试集
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_dim)';
T_test = res(num_train_s + 1: end, f_dim + 1: end)';
N = size(P_test, 2);
%% 2.模型训练+回归
%  2.1.数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%  2.2.数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_dim, 1, 1, M));
P_test  =  double(reshape(P_test , f_dim, 1, 1, N));t_train = t_train';
t_test  = t_test' ;%  2.3.数据格式转换
for i = 1 : Mp_train{i, 1} = P_train(:, :, 1, i);
endfor i = 1 : Np_test{i, 1}  = P_test( :, :, 1, i);
end%  2.4.创建模型
layers = [sequenceInputLayer(f_dim)              % 建立输入层lstmLayer(10, 'OutputMode', 'last') % LSTM层reluLayer                           % Relu激活层fullyConnectedLayer(1)              % 全连接层regressionLayer];                   % 回归层%  2.5.参数设置
% options = trainingOptions('adam', ...       % Adam 梯度下降算法
%     'MaxEpochs', 1200, ...                  % 最大训练次数
%     'InitialLearnRate', 5e-3, ...           % 初始学习率
%     'LearnRateSchedule', 'piecewise', ...   % 学习率下降
%     'LearnRateDropFactor', 0.1, ...         % 学习率下降因子
%     'LearnRateDropPeriod', 800, ...         % 经过 800 次训练后 学习率为 0.005 * 0.1
%     'Shuffle', 'every-epoch', ...           % 每次训练打乱数据集
%     'Plots', 'training-progress', ...       % 画出曲线
%     'Verbose', false);
options = trainingOptions('adam', ...                 % 优化算法Adam'MaxEpochs', 300, ...                             % 最大训练次数'GradientThreshold', 1, ...                       % 梯度阈值'InitialLearnRate', 5e-3, ...                     % 初始学习率'LearnRateSchedule', 'piecewise', ...             % 学习率调整'LearnRateDropPeriod', 250, ...                   % 训练250次后开始调整学习率'LearnRateDropFactor',0.1, ...                    % 学习率调整因子'L2Regularization', 1e-4, ...                     % 正则化参数'ExecutionEnvironment', 'auto',...                % 训练环境'Verbose', false, ...                                 % 关闭优化过程'Plots', 'training-progress');                    % 画出曲线
%  2.6.训练模型
net = trainNetwork(p_train, t_train, layers, options);%  2.7.仿真预测
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );%  2.8.数据反归一化，得到预测结果
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 3.结果分析+误差计算
%  3.1.均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);%  3.2.查看网络结构
analyzeNetwork(net)%  3.3.绘图
figure(1)
plot(1: M, T_train, 'r-')
hold on
plot(1: M, T_sim1, 'b-')%, 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
gridfigure(2)
plot(1: N, T_test, 'r-')
hold on
plot(1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid%  3.4.相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])% MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])% MBE
mbe1 = sum(T_sim1' - T_train) ./ M ;
mbe2 = sum(T_sim2' - T_test ) ./ N ;disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])%  MAPE
mape1 = sum(abs((T_sim1' - T_train)./T_train)) ./ M ;
mape2 = sum(abs((T_sim2' - T_test )./T_test )) ./ N ;disp(['训练集数据的MAPE为：', num2str(mape1)])
disp(['测试集数据的MAPE为：', num2str(mape2)])%%  4.画图
figure(3)
scatter(T_train, T_sim1,'bo')%
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')figure(4)
scatter(T_test, T_sim2,'bo')%
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/web/14531.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

数据链路层协议——以太网协议

数据链路层协议——以太网协议

1. 数据链路层 网络层用于将数据从一台主机发送到另一台主机。传输层用于将数据可靠的从一台主机发送到另一台主机。（网络层没有保证可靠性的策略，传输过程中可能会出现各种意外，例如：丢包，网络拥塞等。通过传输层可以…
阅读更多...
跨域问题的4种解决方案

跨域问题的4种解决方案

文章导读 前言 跨域问题指的是在Web开发中，由于浏览器的同源策略限制，当一个网页尝试访问与它不同源（协议、域名或端口不同）的资源时，可能会遇到安全限制导致无法正常访问的问题。这种策略旨在防止恶意网站读取或修改其…
阅读更多...
yarn的基本命令和用法

yarn的基本命令和用法

Yarn通过并行安装、离线模式、确定性安装以及更好的依赖解析算法，为开发者提供了更快、更稳定、更安全的包管理体验。它保留了npm的大部分功能，并在此基础上做了大量优化，下面我们就来详述Yarn的核心命令和实用技巧。📚 安装Yarn…
阅读更多...
【MySQL精通之路】InnoDB(7)-锁和事务模型(2)-事务模型

【MySQL精通之路】InnoDB(7)-锁和事务模型(2)-事务模型

主博客： 【MySQL精通之路】InnoDB(7)-锁和事务模型-CSDN博客 上一篇： 【MySQL精通之路】InnoDB(7)-锁和事务模型(1)-锁-CSDN博客 下一篇： 目录 1.事务隔离级别 2.1 可重复读 2.2 读已提交 2.3 读取未提交 2.4 序列化读 2.自动提交、…
阅读更多...
订餐系统总结、

订餐系统总结、

应用层： SpringBoot:快速构建Spring项目，采用“约定大于配置”的思想，简化Spring项目的配置开发。 SpringMvc：Spring框架的一个模块，springmvc和spring无需通过中间整合层进行整合，可以无缝集成。 Sprin…
阅读更多...
完整的数据可视化方法集

完整的数据可视化方法集

在当前的大数据时代，了解如何可视化数据是UI/UX设计师技能的重要组成部分。如今，几乎所有的公司都需要良好的数据可视化作为确定业务方向和决策的参考。数据的可视化结果越好，用户的决策就越科学。 1、什么是数据可视化 数据可视化是将信息…
阅读更多...
张量 t-product 积（matlab代码）

张量 t-product 积（matlab代码）

参考文献：Tensor Robust Principal Component Analysis with a New Tensor Nuclear Norm 首先是文章2.3节中 t-product 的定义： 块循环矩阵： 参考知乎博主的例子及代码：（t-product与t-QR分解，另一篇傅里叶对…
阅读更多...
HTML5 设备访问及输入输出设备交互

HTML5 设备访问及输入输出设备交互

目录 设备访问输入设备交互输出设备交互设备访问 设备信息访问 navigator.userAgent：获取浏览器的用户代理字符串，从中可以解析出设备类型、操作系统、浏览器版本等信息。 const userAgent = navigator.userAgent; console.log(userAgent); // 输出类似 "Mozilla/5.0…
阅读更多...
算法(Algorithm)

算法(Algorithm)

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，代表着用系统的方法描述解决问题的策略机制。也就是说，算法能够对一定规范的输入，在有限时间内获得所要求的输出。算法应该具有…
阅读更多...
【python004】miniforge可行替代方案实战总结（最近更新中）

【python004】miniforge可行替代方案实战总结（最近更新中）

1.熟悉、梳理、总结项目研发实战中的miniforge日常使用中的问题。随着版本更新，做了一些变动，如商业化限制，取消一些语法等。 2.欢迎点赞、关注、批评、指正，互三走起来，小手动起来！
阅读更多...
vue通过for循环生成input框后双向绑定失效问题

vue通过for循环生成input框后双向绑定失效问题

有些时候页面上有太多的表单元素&#xff0c;一个个的写太过繁琐&#xff0c;拿 input 框举例&#xff0c;众多的 input 框&#xff0c;无非就是输入框前的说明和 input 框的 name 属性不一样 <el-form :inline"true" :model"formInline" size"mi…
阅读更多...
01-05.Vue自定义过滤器

01-05.Vue自定义过滤器

目录 前言过滤器的概念过滤器的基本使用给过滤器添加多个参数 前言 我们接着上一篇文章01-04.Vue的使用示例&#xff1a;列表功能 来讲。 下一篇文章 02-Vue实例的生命周期函数 过滤器的概念 概念&#xff1a;Vue.js 允许我们自定义过滤器&#xff0c;可被用作一些常见的文本…
阅读更多...
软件模块的耦合

软件模块的耦合

软件模块的耦合 耦合是指软件模块之间的依赖程度&#xff0c;耦合越低&#xff0c;模块之间的独立性越高&#xff0c;软件的可维护性、可重用性也越高。下面是几种常见的耦合类型的概念&#xff1a; 数据耦合&#xff08;Data Coupling&#xff09;&#xff1a; 当一个模块通…
阅读更多...
Python ❀ 使用代码解决今天中午吃什么的重大生存问题

Python ❀ 使用代码解决今天中午吃什么的重大生存问题

1. 环境安装 安装Python代码环境参考文档 2. 代码块 import random# 准备一下你想吃的东西 hot ["兰州拉面", "爆肚面", "黄焖鸡", "麻辣香锅", "米线", "麻食", "羊肉泡馍", "肚丝/羊血汤&qu…
阅读更多...
doxygen 1.11.0 使用详解（九）——包含公式

doxygen 1.11.0 使用详解（九）——包含公式

目录 Doxygen allows you to put LATEX formulas in the output (this works only for the HTML, LATEX and RTF output. To be able to include formulas (as images) in the HTML and RTF documentation, you will also need to have the following tools installed latex: …
阅读更多...
定时监测服务器磁盘是否超过阈值，超过就删除docker 镜像

定时监测服务器磁盘是否超过阈值，超过就删除docker 镜像

达到指定百分比 删除镜像脚本 df -h 查找到 内存占用信息 &#xff0c;得到的 文件系统名称是 overlay的&#xff0c;Use% 达到70就进行删除docker 镜像 #!/bin/bash# 设置磁盘使用阈值 THRESHOLD70# 获取 overlay 文件系统的磁盘使用百分比 DISK_USAGES$(df -h | grep overl…
阅读更多...
利用sentence bert 实现语义向量搜索

利用sentence bert 实现语义向量搜索

目录 基于pytorch的中文语言模型预训练:https://github.com/zhusleep/pytorch_chinese_lm_pretrain/tree/master sentence_emb.py search_faiss_robert768.py faiss_index.py gen_vec_save2_faiss.py 基于pytorch的中文语言模型预训练:https://github.com/zhusleep/pytorch_…
阅读更多...
[协议]stm32读取AHT20程序示例

[协议]stm32读取AHT20程序示例

AHT20温度传感器使用程序&#xff1a; 使用i2c读取温度传感器数据很简单&#xff0c;但市面上有至少两个手册&#xff0c;我这个对应的手册贴出来&#xff1a; main: #include "stm32f10x.h" // Device header #include <stdint.h> #includ…
阅读更多...
数智赋能内涝治理，四信城市排水防涝解决方案保障城市安全运行

数智赋能内涝治理，四信城市排水防涝解决方案保障城市安全运行

由强降雨、台风造成城市低洼处出现大量积水、内涝的情况时有发生&#xff0c;给人们出行带来了极大不便和安全隐患&#xff0c;甚至危及群众生命财产安全。 为降低内涝造成的损失&#xff0c;一方面我们要大力加强城市排水基础设施的建设&#xff1b;另一方面要全面掌握城市内涝…
阅读更多...
U-Boot menu菜单分析

U-Boot menu菜单分析

文章目录 前言目标环境背景U-Boot如何自动调起菜单U-Boot添加自定义命令实践 前言 在某个厂家的开发板中&#xff0c;在进入它的U-Boot后&#xff0c;会自动弹出一个菜单页面&#xff0c;输入对应的选项就会执行对应的功能。如SD卡镜像更新、显示设置等&#xff1a; 目标 本…
阅读更多...
最新文章

Copyright @ 2022~2023