Загрузите выборочные данные.

X = bodyfat_dataset;



X = bodyfat_dataset;

X является матрицей 13 на 252, задающей тринадцать атрибутов 252 различных кварталов. Для получения дополнительной информации о данных введите help house_dataset в командной строке.

Обучите автоэнкодер данным атрибутов.

autoenc = trainAutoencoder(X);

Создайте сетевой объект из автоэнкодера, autoenc .

net = network(autoenc);

Спрогнозируйте атрибуты, используя сеть, net .

Xpred = net(X);

Подбор линейной регрессионной модели между фактическими и предполагаемыми данными атрибутов. Вычислите предполагаемый коэффициент корреляции Пирсона, наклон и точку пересечения (смещение) регрессионой модели, используя все данные атрибутов в качестве одного набора данных.

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

C = 0.9997

S = 0.9985

B = 0.1101

Коэффициент корреляции почти 1, что указывает на то, что атрибуты данных и оценки от нейронной сети очень близки друг к другу.

Постройте график фактических данных и установленной линии.

plotregression(X, Xpred);

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