使用CNN进行回归预测代码

最后更新于：2024-05-30 21:38:00

-使用波士顿房价预测作为演示案例。

-可以自由设置神经网络卷积层结构、池化层结构

-可以快速划分训练集、验证集、测试集

-程序运行完后自动绘制出收敛过程、训练集和测试集的预测结果对比、相对误差图、MAE/MSE/MAPE/RMSE/R等指标

-多种训练参数可设置，包括求解器、迭代次数、初始学习率等等

-可设置随机种子，保证每次运行结果保持一致

–需要你做的基本只有导入数据和调参。

–绝大多数流程都被封装固化到函数中，仿照案例导入你的数据即刻得到结果~

一、代码运行环境

MATLAB2018b及更新版本。

二、程序介绍

注：图标代表该m文件为脚本文件，可以直接运行；图标代表函数文件，在没有输入变量的情况下无法直接运行。更详细的解释可以看这里。

1.scriptRegCNNs.m文件

使用波士顿城郊区域的房价数据集进行回归预测的案例，其中演示了FunRegCNNs函数的应用方式示范。

文件可以直接运行。程序运行完成后，将会画出如下图像：

收敛过程图

网络结构图

训练过程中损失值和RMSE收敛图

训练集拟合结果对比图

训练集预测结果相对误差

测试集预测结果对比图

测试集预测结果相对误差

在命令行窗口还会打印出以下内容：

网络结构

每层网络的输出尺寸

MAE/MSE/MAPE/RMSE/R等指标

2.FunRegCNNs.m文件

使用CNN进行回归预测的快速实现函数。

代码说明：

function [foreData,foreDataTrain,net,info] = FunRegCNNs(dataX,dataY,trainR,cLayer,poolingLayer,fcLayer,options,figflag)
% 使用CNN进行回归预测的快速实现函数
% 该函数需要输入的数据为array数组型
% 输入：
% dataX：输入数据，R*Q的矩阵，R为输入数据的维度，Q为批次数，输入该变量时一定要注意维度正确
%           例：对于一维特征，每组数据长度为20，共1000组数据，则dataX的可以维度为：20*1000
% dataY：输出结果
% trainR：数据集中训练集划分比例，如：trainR = 0.6，则代表60%数据用于训练集，40%数据用于测试集

% cLayer：卷积层结构，为n*5的二维数组，其中n为卷积层的数量
% 列向的5个维度时分别代表滤波器的高、滤波器的宽、滤波器数量、步长、填充
% 例，cLayer = [3,1,16,1,1;3,1,32,1,0]时，则代表有两层卷积层，其中第一层滤波器高为3，宽为1，滤波器数量为16，步长1，填充1
%                                                第二次滤波器高为3，宽为1，滤波器数量为32，步长1，填充0

% poolingLayer：池化层结构，为长度为n*5的cell数据，其中n为池化层的数量，和卷积层层数相同。
% 列向的三个维度分别代表：1.池化层类型，分为'maxPooling2dLayer'和'averagePooling2dLayer'两种，如果不用池化层设置为'none'
%                         2.池化区域高度尺寸
%                         3.池化区域宽度尺寸
%                         4.步长
%                         5.填充
% 例如：
% poolingLayer = {'maxPooling2dLayer',2,1,2,1; 'averagePooling2dLayer',2,1,1,0};
% 代表第一个池化层为最大池化层，尺寸为2*1，步长2，填充1，第二个池化层为平均池化层，尺寸为2*1，步长1，填充0
% 注意！如果对应卷积层后不设置池化层，请在对应的位置设置为'none',0,0,0,0
% 比如cLayer设置为两层时，如果只想在第一层卷积层后对应有池化层，第二层卷积层后无池化层，那么池化层应该设置为：
% poolingLayer = {'maxPooling2dLayer',1,2,1,0;
%                 'none',0,0,0,0 }; %后边的四个0主要是占位，不起实际作用

% options：一些与网络训练等相关的设置，使用结构体方式赋值，比如 options.MaxEpochs = 1000，具体包括：
%             solverName：求解器，'sgdm'（默认） | 'rmsprop' | 'adam'
%             MaxEpochs：最大迭代次数，默认30
%             MiniBatchSize：批尺寸，默认128
%             GradientThreshold：梯度极限，默认为Inf
%             InitialLearnRate：初始化学习速率（默认0.005）
%             Plots：是否显示训练过程，'none' 为不显示（默认） | 'training-progress'为显示
%             ValidationFrequency：验证频率，即每间隔多少次迭代进行一次验证，默认50
%             LearnRateSchedule：即LearnRateSchedule是否在一定迭代次数后学习速率下降， LearnRateSchedule ='piecewise'为使用，'none'为不使用（默认）
%             LearnRateDropPeriod：即LearnRateDropPeriod学习速率下降时的迭代数，默认为10
%             LearnRateDropFactor：即LearnRateDropFactor学习速率下降因子，下降后变为LearnRateDropFactor*InitialLearnRate，LearnRateSchedule为0时可以赋0，默认为0.1
%             （未启用）NorFlag：即Normalization Flag，设置为1时则在程序中进行数据归一化和反归一化操作，否则不进行，建议设置为1
%             SeedFlag：随机种子标志，设置为1时启用随机种子,(默认为1)
% fcLayer：全连接层，可以设置多层，如果设置fcLayer=[]，则在网络结构中只包含一个全连接层，输出的维度与数据类别相同。
%                                  如果设置fcLayer为数组，则代表在上边的全连接层之前再加入对应数量的全连接层和ReLU层
%                                  例如设置fcLayer=[32,16]，则代表在共有三个全连接层，第一个是fullyConnectedLayer(32)+ReLU，第二个是fullyConnectedLayer(16)+ReLU，
%                                                           第三个是fullyConnectedLayer(numClasses)
% figflag：是否画图，'on'为画图，'off'为不画
% 输出：
% foreData：测试集的回归预测结果
% foreDataTrain:训练集的回归预测结果
% net：训练好的网络
% info：神经网络训练相关参数，如loss值、准确度等

3.EvaForeEffect.m文件

用于评价时间序列预测效果各个量化指标的通用函数。可以计算MAE/MSE/MAPE/RMSE/R2/R等

function ind = EvaForeEffect(realData,foreData,indNamesCell)
% 用于评价时间序列预测效果各个量化指标的通用函数
% 输入：
% realData：真实值
% foreData：预测值
% indNamesCell：拟进行预测评价指标名称，该变量为cell类型，其中包含的指标名称为字符串，指标名称在下边列表中：
% 目前支持的指标（2021.12.5）：
% MSE：均方误差（Mean Square Error）
% RMSE：均方根误差（Root Mean Square Error）
% MAE：平均绝对误差（Mean Absolute Error）
% MAPE：平均绝对百分比误差（Mean Absolute Percentage Error）
% R2：决定系数（R2-R-Square）
% R：相关系数
% 如果想获取MSE、MAE两个指标，则设置：indNamesCell = {'MSE','MAE'}
% 输出：
% ind：预测效果评价指标结果数组，其评价指标值顺序与indNamesCell一一对应

三、快速开始

1.运行测试脚本

先在MATLAB里打开下载好的文件夹，然后运行scriptRegCNNs.m程序，程序运行完毕后如果没报错，且正常画出上述图像，则说明运行环境正常，程序正确。

2.修改仿真数据/导入数据

复制一个scriptRegCNNs.m的文件副本，在这个副本里做如下修改：

根据你的文件类型的不同（excel,txt,csv等），将数据导入MATLAB的方法有所不同。同学们可以看博主针对常用文件的导入方法的这个教程，教程上未包含的数据类型，大家可以再参考这个文档。

3.实现CNN回归预测

参照脚本文件中第三、四步，根据需要调整相关参数。

运行程序即可。

四、关于完整版与公开版代码

五、获取公开版程序（需使用电脑浏览器打开）

注：公开版代码需使用MATLAB2022a及以上版本

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需76元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

七、完整版代码重要更新

20231019 完成初版代码

八、常见问题

无。