在本专栏的第十三篇博文数学建模学习笔记（十三）神经网络——中：matlab程序实现记录过如何在matlab用代码进行神经网络的训练。 本篇内容将记录如何使用Neural Net Fitting工具箱，做神经网络预测时更为简便。
1.数据选取
例题：
原始数据：
导入数据到matlab： 新建变量，点击，复制相应数据。
2.工具箱的使用
这里有三种算法可供选择： 莱文贝格－马夸特方法（Levenberg–Marquardt algorithm）（梯度下降法） 贝叶斯正则化方法（Bayesian‐regularization） 量化共轭梯度法（Scaled Conjugate Gradient ）
3.结果分析
注：设计验证集的概念就是判断什么时候会出现过拟合。图中自动画圈的地方是训练效果最好的次数，之后MSE上升，逐渐过拟合。
结果保存：
4.用模型进行预测
保存之后，工作区会多出文件：
写个循环，调用训练好的模型net，实现对数据的预测。 注，数据的输入需要注意，输入数据不合要求时，可能需要转置（默认以列输入） 下面是上面例题的预测代码：
代码语言：javascript复制load data_Octane.mat
% 尽量使用新版的Matlab
% 在Matlab的菜单栏点击APP，再点击Neural Fitting app.
% 利用训练出来的神经网络模型对数据进行预测
% 例如我们要预测编号为51的样本，其对应的401个吸光度为：new_X(1,:)
% sim(net, new_X(1,:))
% 错误使用 network/sim (line 266)
% Input data sizes do not match net.inputs{1}.size.
% net.inputs{1}.size
% 这里要注意，我们要将指标变为列向量，然后再用sim函数预测
sim(net, new_X(1,:)')
% 写一个循环，预测接下来的十个样本的辛烷值
predict_y = zeros(10,1); % 初始化predict_y
for i = 1: 10
result = sim(net, new_X(i,:)');
predict_y(i) = result;
end
disp('预测值为：')
disp(predict_y)5.总结
神经网络是万金油的存在，即各种场景都可以用到神经网路。 缺点在于神经网路不易数学解释，对数学建模比赛而言不是最佳选择，当然，用作检验结果的正确与否还是非常值得一提的。
