问题：螃蟹的分类

在此示例中，我们试图构建一个可以从螃蟹的物理测量中识别性别的分类器。考虑了螃蟹的六个物理特征：物种，额叶，后宽，长度，宽度和深度。手头的问题是鉴于这6种物理特征的每个观察值，鉴定蟹的性别。

为什么要神经网络？

神经网络已证明自己是熟练的分类器，并且特别适合解决非线性问题。鉴于现实世界现象的非线性性质，例如螃蟹分类，神经网络无疑是解决该问题的好候选者。

六个物理特征将充当神经网络的输入，而螃蟹的性别将成为目标。鉴于输入构成了螃蟹的物理特征的六个观察值，因此，神经网络有望确定螃蟹是雄性还是雌性。

这是通过将先前记录的输入介绍给神经网络，然后对其进行调整以产生所需的目标输出来实现。这个过程称为神经网络培训。

准备数据

通过将数据组织成两个矩阵，即输入矩阵X和目标矩阵T，为神经网络设置了分类问题的数据。

输入矩阵的每个ITH色谱柱都将具有六个代表螃蟹物种的元素，即前宽，后宽，长度，宽度和深度。

目标矩阵的每个相应列将具有两个元素。雌性螃蟹在第一个元素中以一个雄性螃蟹为代表，第二个元素中有一个。（所有其他元素均为零）。

在这里，数据集已加载。

[x，t] = crab_dataset;尺寸（x）尺寸（t）

ANS = 6 200 ANS = 2 200

构建神经网络分类器

下一步是创建一个神经网络，该网络将学会识别螃蟹的性别。

由于神经网络从随机的初始权重开始，因此每次运行时，此示例的结果都会略有不同。将随机种子设置为避免这种随机性。但是，这对于您自己的应用程序不是必需的。

setDemorandStream（491218382）

两层（即单层）馈电神经网络可以学习隐藏层中足够的神经元的任何输入输出关系。非输出层的图层称为隐藏层。

在此示例中，我们将尝试一个10个神经元的隐藏层。通常，更困难的问题需要更多的神经元，甚至需要更多的层。简单的问题需要更少的神经元。

输入和输出尺寸为0，因为尚未配置网络以匹配我们的输入和目标数据。当网络训练时，这将发生。

net = patternnet（10）;查看（网）

现在，该网络已准备好接受培训。样品自动分为培训，验证和测试集。培训集用于教授网络。只要网络继续改善验证集，培训就会继续。该测试集提供了网络准确性的完全独立的度量。

[net，tr] =火车（net，x，t）;nntraintool

nntraintool（'关闭'）

要查看网络在培训期间的性能如何改善，请单击培训工具中的“性能”按钮，或致电PlotPerform。

性能是根据平方误差来衡量的，并以日志刻度显示。随着网络的训练，它迅速下降。

为每个培训，验证和测试集显示了性能。

PlotPerform（TR）

测试分类器

现在可以通过测试样品对训练有素的神经网络进行测试。这将使我们了解网络应用于现实世界的数据时的状况。

网络输出将在0到1范围内，因此我们可以使用vec2ind功能使类索引作为每个输出向量中最高元素的位置。

testx = x（：，tr.testind）;testt = t（：，tr.testind）;testy = net（testx）;testindices = vec2ind（testy）

testIndices =列1至13 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1列14至26 1 2 2 2 2 2 2 2 1 2 1 2 1 1 1 1 1 1 1 1 1 1 1列27至30 1 2 2 2 1

神经网络对数据的满足程度的一种量度是混乱图。在这里，混淆矩阵在所有样品中绘制。

混淆矩阵显示正确和不正确的分类的百分比。正确的分类是矩阵对角线上的绿色正方形。不正确的分类形成红色正方形。

如果网络学会了正确的分类，则红色正方形中的百分比应该很小，表明很少发生错误分类。

如果不是这种情况，那么建议进一步培训或培训具有更多隐藏神经元的网络。

plotConfusion（testt，testy）

这是正确和错误分类的总体百分比。

[c，cm] =混乱（testt，testy）fprintf（'百分比正确分类：％f %% \ n'，100*（1-C））;fprintf（'百分比不正确分类：％f %% \ n'，100*c）;

C = 0.0333 cm = 12 1 0 17百分比正确分类：96.666667％百分比不正确分类：3.3333333％

神经网络具有拟合数据的另一个衡量标准是接收器操作特征图。这显示了假阳性和真实的正速率如何相关，因为输出的阈值在0到1之间变化。

左上到线的距离越远，需要接受较少的误报才能获得高真正的正率。最好的分类器将有一条从左下角，左上角，右上角或靠近的线路。

PlotRoc（testt，testy）

此示例使用神经网络进行了分类。

探索其他示例和文档，以更多地了解神经网络及其应用。