文件名称：sommatlab代码-project.Unsupervised-Neural_Network-approach-to-Survey_Miss
文件大小：1.98MB
文件格式：ZIP
更新时间：2024-06-15 07:21:50
系统开源
som matlab代码 自组织图（无监督算法） 项目直觉： 该项目旨在根据不同百分比的缺失值（1％，2％，5％，10％）来识别缺失数据模式。 项目直觉来自于调查分析研究论文，该论文使用相同的数据估算方法来完成调查工作。 客观的： 识别丢失的数据模式，使用非监督算法（自组织映射）填充丢失的数据集。 调整算法参数并获得给定集合的最佳准确性得分。 评估参数根据数据集而有所不同。 有16个数值数据，4个类别数据和4个混合数据集，其中AE用于分类，而对于数值数据集，我使用NRMS。 高质量数据的限制优选NRMS <0.1和AE <1。 支持环境： 编程语言：MATLAB 2018a（数学工作）软件工具包：橙色（数据挖掘，机器学习） 实施理念： 教授给出了24个真实的修改数据集。 在小组中，我们的目标是使用数据挖掘来识别[1％，5％，10％，20％]的19种不同数据集的缺失数据模式，并借助无监督算法找到可能的答案。 我们选择SOM（自组织图）以找到具有聚类，梯度下降的答案，并通过与真实数据集进行比较来确定迭代次数，以实现模型的最佳准确性。 使用高斯函数并使用邻域函数的参数训练BMU（neuron
【文件预览】：
project.Unsupervised-Neural_Network-approach-to-Survey_Missing_Data-Imputation-Self-Organizing-Map-master
----Main_code.m(5KB)
----Acknowledgement.txt(329B)
----README.md(6KB)
----Project_Summary.docx(38KB)
----Presentation_SOM (C-17).pptx(1.12MB)
----Self-Organizing Map_C17_FInal_Report.pdf(788KB)
----Self-Organizing Map_C17_FInal_Report.docx(283KB)
----Supportive_Codes()
--------plotData.m(2KB)
--------randInitializeWeights.m(383B)
--------updateWeight.m(773B)
--------main_with_nrms_loop_temp.m(5KB)
--------computeNeighbourhood.m(893B)
--------numerical.m(5KB)
--------findBestMatch.m(616B)
--------ex_func.m(153B)
--------nrms.m(97B)