Загрузите образцы данных.

X = bodyfat_dataset;



X = bodyfat_dataset;

X - матрица 13 на 252, определяющая тринадцать атрибутов 252 различных окрестностей. Для получения дополнительной информации о данных введите help house_dataset в командной строке.

Обучите автокодировщик данным атрибута.

autoenc = trainAutoencoder(X);

Создайте сетевой объект из автокодера, autoenc .

net = network(autoenc);

Прогнозирование атрибутов с использованием сети, net .

Xpred = net(X);

Подгонка модели линейной регрессии между фактическими и оценочными данными атрибутов. Вычислите расчетный коэффициент корреляции Пирсона, наклон и пересечение (смещение) регрессионной модели, используя все данные атрибута как один набор данных.

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

C = 0.9997

S = 0.9985

B = 0.1101

Коэффициент корреляции почти равен 1, что указывает на то, что данные атрибутов и оценки из нейронной сети очень близки друг к другу.

Постройте график фактических данных и соответствующей линии.

plotregression(X, Xpred);

Данные, по-видимому, находятся на подогнанной линии, что визуально подтверждает вывод о том, что прогнозы очень близки к фактическим данным.