基于BP_Adaboost的强分类器设计-公司财务预警建模

%% 清空环境变量
 clc
 clear%% 下载数据
 load data input_train output_train input_test output_test%% 权重初始化
 [mm,nn]=size(input_train);
 D(1,:)=ones(1,nn)/nn;%% 弱分类器分类
 K=10;
 for i=1:K
     
     %训练样本归一化
     [inputn,inputps]=mapminmax(input_train);
     [outputn,outputps]=mapminmax(output_train);
     error(i)=0;
     
     %BP神经网络构建
     net=newff(inputn,outputn,6);
     net.trainParam.epochs=5;
     net.trainParam.lr=0.1;
     net.trainParam.goal=0.00004;
     
     %BP神经网络训练
     net=train(net,inputn,outputn);
     
     %训练数据预测
     an1=sim(net,inputn);
     test_simu1(i,:)=mapminmax('reverse',an1,outputps);
     
     %测试数据预测
     inputn_test =mapminmax('apply',input_test,inputps);
     an=sim(net,inputn_test);
     test_simu(i,:)=mapminmax('reverse',an,outputps);
     
     %统计输出效果
     kk1=find(test_simu1(i,:)>0);
     kk2=find(test_simu1(i,:)<0);
     
     aa(kk1)=1;
     aa(kk2)=-1;
     
     %统计错误样本数
     for j=1:nn
         if aa(j)~=output_train(j);
             error(i)=error(i)+D(i,j);
         end
     end
     
     %弱分类器i权重
     at(i)=0.5*log((1-error(i))/error(i));
     
     %更新D值
     for j=1:nn
         D(i+1,j)=D(i,j)*exp(-at(i)*aa(j)*test_simu1(i,j));
     end
     
     %D值归一化
     Dsum=sum(D(i+1,:));
     D(i+1,:)=D(i+1,:)/Dsum;
     
 end%% 强分类器分类结果
 output=sign(at*test_simu);%% 分类结果统计
 %统计强分类器每类分类错误个数
 kkk1=0;
 kkk2=0;
 for j=1:350
     if output(j)==1
         if output(j)~=output_test(j)
             kkk1=kkk1+1;
         end
     end
     if output(j)==-1
         if output(j)~=output_test(j)
             kkk2=kkk2+1;
         end
     end
 endkkk1
 kkk2
 disp('第一类分类错误  第二类分类错误  总错误');
 % 窗口显示
 disp([kkk1 kkk2 kkk1+kkk2]);plot(output)
 hold on
 plot(output_test,'g')%统计弱分离器效果
 for i=1:K
     error1(i)=0;
     kk1=find(test_simu(i,:)>0);
     kk2=find(test_simu(i,:)<0);
     
     aa(kk1)=1;
     aa(kk2)=-1;
     
     for j=1:350
         if aa(j)~=output_test(j);
             error1(i)=error1(i)+1;
         end
     end
 end
 disp('统计弱分类器分类效果');
 error1disp('强分类器分类误差率')
 (kkk1+kkk2)/350disp('弱分类器分类误差率')
 (sum(error1)/(K*350))