非常感谢博主wishes61的分享。这篇博客只是为了记录下第一个神经网络的训练。
下图是训练神经网络时经常出现的一个界面，从这部分我们可以看到，这是一个2输入1输出，5个隐含层的BP网络，称为2-5-1网络结构
需要注意的是：
% 清空环境变量
clc
clear all
% 1.导入数据
iris=load('iris.csv');
% 统计描述量
feature=iris(:,1:4);
mean=mean(feature); % 描述算法平均值
median=median(feature);% 描述元素的中位数
std=std(feature);%描述元素的标准差
% 2. 设置训练数据和预测数据
%doc dividevec[分频器]：divid problem vectors into training,validation and test通过分频器得到的结果为三个struct。其中trainSamples中有90个样本（以列的形式呈现），此外trainSamples.P表示数据的特征;trainSamples.L表示90个样本对应的标签；trainSamples.indices表示90个样本在源数据中对应的位置。
normInput=iris(:,1:4)';
normTarget=iris(:,5)';
testPercent=0.20; %测试数据
validatePercent=0.20;%验证数据
[trainSamples,validateSamples,testSamples]=dividevec(normInput,normTarget,validatePercent,testPercent);
% 3. 训练样本数据归一化
[inputn,inputps]=mapminmax(trainSamples.P); % 归一化到[-1,1]之间,inputps用来作下一次同样的归一化
[outputn,outputps]=mapminmax(trainSamples.T);
% 4. 构建神经网络
% 节点个数
inputnum=2;
hiddenum=5;
% 隐含层节点数量经验公式p=sqrt(m+n)+a，故分别取2~13进行试验
outputnum=1;
% 构建BP神经网络
net=newff(inputn,outputn,hiddenum,{'tansig','purelin'},'trainlm');% 建立模型，传递函数使用purelin，采用梯度下降法训练
w1=net.iw{1,1} ;%输入层到中间层的权值
B1=net.b{1} ;% 中间各层神经元阈值
w2=net.lw{2,1} ;%中间层到输出层的权值
B2=net.b{2}; %输出层各神经元阈值
% 5. 网络参数配置(训练次数，学习速率，训练目标最小误差等)
net.trainParam.epochs=1000; % 训练次数，这里设置为1000次
net.trainParam.lr=0.01;% 学习速率，这里设置为0.01
net.trainParam.goal=0.00001; %训练目标最小误差，这里设置为0.00001
% 6. BP神经网络训练
net=train(net,inputn,outputn);% 开始训练，其中inputn，outputn分别是输入输出样本
% 7. 验证样本归一化
inputn_validation=mapminmax('apply',validateSamples.P,inputps);%对验证样本进行归一化
% 8. BP神经网络预测
an=sim(net,inputn_validation);% 用训练好的模型进行仿真
% 9. 预测结果反归一化与误差计算
validation_simu=mapminmax('reverse',an,outputps);% 把仿真结果得到的数据还原为原始的数量集
error=validation_simu-validateSamples.T;%预测值与真实值的误差
% 10. 真实值与预测值误差的比较
figure(1)
plot(validateSamples.T,'bo-')
hold on
plot(validation_simu,'r*-')
hold on
plot(error,'square','MarkerFaceColor','b')
legend('期望值','预测值','误差')
xlabel('数据组数')
ylabel('值')
[c,l]=size(validateSamples.T);
MAE1=sum(abs(error./validateSamples.T))/l;
MSE1=error*error'/l;
RMSE1=MSE1^(1/2);
disp(['-----------------------误差计算--------------------------'])
disp(['隐含层节点数为',num2str(hiddenum),'时的误差结果如下：'])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['均方误差MSE为： ',num2str(MSE1)])
disp(['均方根误差RMSE为： ',num2str(RMSE1)])
