matlab
matlab BP神经网络预测，求具体语句与解释？
BP神经网络预测，求具体语句与解释？
输入样本为三维的14组：74.4614t14.6531t15.105799.3442t23.8062t22.5173111.7079t31.7883t28.1891113.9521t40.3188t31.0837123.7282t52.5572t33.5367140.9683t90.0568t34.1787177.021t117.301t48.4343185.316t142.1183t66.2793182.4217t146.2612t74.9982189.2367t158.0463t95.8563193.562t165.0463t113.3469196.562t173.8769t125.977191.3975t182.6399t140.7304190.0908t188.0822t153.9464输出为对应的一维的14组数（温度值）655674693712731769787821842860877900931967。想预测的样本为86.8801t18.5951t18.9039时的值（温度值）。必须要用BP神经网络。万分感谢！
训练次数为5000次，BP网络结构为3x20x1.
1、样本数据太少，用BP网络预测可能并非好选择。说不定用一般的回归分析效果更好。
2、要对Y进行预测，需要知道2015年的影响因素X1~X7才行吧？
人工智能适合什么图形？
Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案。 它也可以和图形工具包一起使用，如 PyQt 和 wxPython。
Windows 系统安装 Matplotlib
进入到 cmd 窗口下，执行以下命令：
python -m pip install -U pip setuptools python -m pip install matplotlib
Linux 系统安装 Matplotlib
可以使用 Linux 包管理器来安装：
Debian / Ubuntu：
sudo apt-get install python-matplotlib
Fedora / Redhat：
sudo yum install python-matplotlib
Mac OSX 系统安装 Matplotlib
Mac OSX 可以使用 pip 命令来安装：
sudo python -mpip install matplotlib
安装完后，你可以使用 python -m pip list 命令来查看是否安装了 matplotlib 模块。
$ python -m pip list | grep matplotlib matplotlib (1.3.1)
人工智能实现简单的画图功能，例如柱状图，曲线图，散点图。
柱状图
主要用于数据的统计与分析，早期主要用于数学统计学科中，
数码相机的曝光值用柱状图表示
到现代使用已经比较广泛，比如现代的电子产品和一些软件的分析测试，如电脑，数码相机的显示器和photoshop上都能看到相应的柱状图。
易于比较各组数据之间的差别。
# 导包
import as plt
# 导入字体库
from _manager import FontProperties
# 设置本机字体 字体样式 字体大小
# font FontProperties(fname,size30)
# 柱状图
# 设置数据
salary [9000,10000,5000,3000]
group [beijing,shanghai,guangzhou,hebei]
# 填充数据
(group,salary)
# 设置标题
plt.title(salary/group)
()
曲线图
曲线图又称折线图,是利用曲线的升、降变化来表示被研究现象发展变化趋势的一种图形。它在分析研究社会经济现象的发展变化、依存关系等方面具有重要作用。 [1]
绘制曲线图时，如果是某一现象的时间指标,应将时间绘在坐标的横轴上,指标绘在坐标的纵轴上。如果是两个现象依存关系的显示，可以将表示原因的指标绘在横轴上,表示结果的指标绘在纵轴上。同时还应注意整个图形的长宽比例
# 导包
import as plt
# 导入字体库
from _manager import FontProperties
# 设置本机字体 字体样式 字体大小
font FontProperties(fname,size30)
# 单指标
# # 填充数据 第一个x轴，第二个y轴
# ([2019-03-01,2019-03-02,2019-03-03],[0,10,10])
# # 绘制方法
# ()
# 多指标曲线图
# d定制数据
x1 [2019-03-01,2019-03-02,2019-03-03,2019-03-04,2019-03-05,2019-03-06]
y1 [0,5,6,1,10,9]
x2 [2019-03-01,2019-03-02,2019-03-03,2019-03-04,2019-03-05,2019-03-06]
y2 [10,20,15,30,25,24]
# 填充数据 温度 :temperature
(x1,y1,labeltemperature)
# 湿度
(x2,y2,labelwater)
# 设置标题
plt.title(温湿度趋势图,FontPropertiesfont)
# 显示图例
plt.legend()
# 绘制方法
()
散点图
散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。
# 导包
import as plt
# 导入科学计算
import numpy as np
# 设置数据
# (2,4)
# # 绘制
# ()
# 定义x轴数据 ：随机
x list(range(0,101))
y [xvalue * np.random.rand() for xvalue in x ]
# 填充数据
# s ：点的大小和粗细
# c: 颜色
(x,y,s20,cred)
()
总结：
柱状图关键字：bar()
曲线图关键字：plot()
散点图关键字：scatter()