贝叶斯优化CNN分类matlab代码
数据为Excel分类数据集数据。
数据集划分为训练集、验证集、测试集，比例为8:1:1
数据处理: 在数据加载后，对数据进行了划分，包括训练集、验证集和测试集，这有助于评估模型的泛化能力。
数据标准化： 对数据进行了 Zscore 标准化处理，有利于提高模型的收敛速度和性能。
参数设置：代码中设置了贝叶斯迭代次数 BO_iter，通过调整这个参数，可以控制贝叶斯优化算法的迭代次数，从而更好地优化模型的超参数。
可视化结果: 代码中包含了对训练过程和预测结果的可视化，包括损失函数的曲线、真实标签与预测标签的对比等，有助于直观地评估模型的性能和结果的准确性。
输出的定量结果如下：
训练集正确率：1
验证集正确率：1
测试集正确率：1
运行时长:17.419
代码能正常运行时不负责答疑！
代码有详细中文介绍。
代码运行结果如下:
部分代码如下：
% 清除命令窗口、工作区数据、图形窗口、警告
clc;
clear;
close all;
warning off;
load('data') data1=readtable('分类数据集.xlsx'); %读取数据
data2=data1(:,2:end);
data=table2array(data1(:,2:end));
data_biao=data2.Properties.VariableNames; %数据特征的名称
A_data1=data; data_select=A_data1;
feature_need_last=1:size(A_data1,2)-1; %% 数据划分 x_feature_label=data_select(:,1:end-1); %x特征 y_feature_label=data_select(:,end); %y标签 index_label1=randperm(size(x_feature_label,1)); index_label=G_out_data.spilt_label_data; % 数据索引 if isempty(index_label) index_label=index_label1; end
spilt_ri=G_out_data.spilt_rio; %划分比例 训练集:验证集:测试集
train_num=round(spilt_ri(1)/(sum(spilt_ri))*size(x_feature_label,1)); %训练集个数
vaild_num=round((spilt_ri(1)+spilt_ri(2))/(sum(spilt_ri))*size(x_feature_label,1)); %验证集个数
%训练集，验证集，测试集
train_x_feature_label=x_feature_label(index_label(1:train_num),:);
train_y_feature_label=y_feature_label(index_label(1:train_num),:);
vaild_x_feature_label=x_feature_label(index_label(train_num+1:vaild_num),:);
vaild_y_feature_label=y_feature_label(index_label(train_num+1:vaild_num),:);
test_x_feature_label=x_feature_label(index_label(vaild_num+1:end),:);
test_y_feature_label=y_feature_label(index_label(vaild_num+1:end),:); 
