Matlab两段代码对比(学习自用)_怎么比较不同训练集,测试集比例下模型性能代码matlab-CSDN博客

在研究智能优化算法如TSP问题时，通常需要生成随机初始解。同样，在BP神经网络中，数据应随机划分为训练集和测试集以确保分布均匀。文章提到，使用`randperm`函数在MATLAB中直接生成随机整数序列比先生成随机数再排序更高效，尽管在特定测试中后者可能更快，但代码简洁性得到提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在学习智能优化算法的时候，对于TSP问题，我们经常要生成初始解，即给出一个随机序列代表初始时旅行城市的先后顺序。

同样的，在BP神经网络中，往往需要需要将数据划分测试集和训练集，显然，简单的按照顺序排列将前一部分数据给测试集，将后一部分给训练集，或者反过来，这样都是不合理的。比较合理的方式是事先给定训练集和测试集的个数，然后生成随机序列，对于这个随机序列执行上面的操作。这样可以使训练集和测试集都分散在原始数据中。

OK，上面都不是重点，重点是下面代码的分析。
老师给的参考程序是这样的

%从0-1之间随机排列2000个数，1x2000行向量,主要应用n,1-2000的随机数组
k=rand(1,2000);
[m,n]=sort(k);

%找出训练数据和预测数据
input_train=input(n(1:1900),:)';
input_test=input(n(1901:2000),:)';

上面的代码是事先生成一个0-1之间的随机数数列，然后对其排序后得到随机整数数列。事实上这样写是不简洁的而且耗时的，在matlab里就直接有这样一个函数randperm()可以直接生成随机整数数列。

n = randperm(N)
%n返回从1-N之间的数字随机排列的一个结果，常用来生成初始解

好吧，好像是第二种方式更耗时一点

tic
%方案1
% k=rand(1,20000000);
% [m,n]=sort(k);
%方案2
n = randperm(20000000);
toc

采用上述代码进行了测试
方案1：0.69s
方案2：0.77s

小丑了。。。
but，两行代码换成一行，还是简洁了的。