Загрузите выборочные данные.

X = bodyfat_dataset;



X = bodyfat_dataset;

X 13 252 матрица, задающая тринадцать атрибутов 252 различных окружений. Для получения дополнительной информации о данных введите help house_dataset в командной строке.

Обучите автоэнкодер на данных об атрибуте.

autoenc = trainAutoencoder(X);

Создайте сетевой объект из автоэнкодера, autoenc .

net = network(autoenc);

Предскажите атрибуты с помощью сети, net .

Xpred = net(X);

Подбирайте модель линейной регрессии между фактическими и предполагаемыми данными об атрибутах. Вычислите предполагаемый Коэффициент корреляции пирсона, наклон и прерывание (смещение) модели регрессии, с помощью всех данных об атрибуте в качестве одного набора данных.

[C, S, B] = regression(X, Xpred, 'one')

C = 0.9997

S = 0.9985

B = 0.1165

Коэффициент корреляции - почти 1, который указывает, что данные об атрибутах и оценки от нейронной сети высоко друг близко к другу.

Отобразите на графике фактические данные и подходящую линию.

plotregression(X, Xpred);

Данные, кажется, находятся на подходящей линии, которая визуально поддерживает заключение, что прогнозы очень близко к фактическим данным.