问题:集群虹膜花

在这个例子中,我们试图建立一个神经网络集群虹膜花成自然类,这样类似的类组合在一起。虹膜是所描述的四个特点:

这的一个例子是一个聚类问题,我们愿意把样品分成类基于样本之间的相似性。我们想创建一个神经网络不仅为已知输入创建类定义,但也会让我们未知输入相应的分类。

为什么自组织映射神经网络?

自组织映射(索姆)非常擅长创建分类。进一步分类保留拓扑信息,这类是最接近他人。自组织映射可以创建任意的详细级别。它们特别适合聚类数据在许多维度和空间和复杂形状的连接特性。它们非常适合于集群虹膜花。

四个花SOM属性将作为输入,将它们映射到一个二维层的神经元。

准备数据

数据为SOM聚类问题是建立数据组织到一个输入矩阵X。

每个i列输入矩阵将有四个元素代表四个测量一朵鲜花。

这样的数据集加载。

x = iris_dataset;

我们可以把输入X的大小。

注意,X 150列。这些代表虹膜花的150套属性。它有四行,四个测量。

大小(x)

ans =1×2150年4

聚类神经网络

下一步是创建一个将学习的神经网络集群。

selforgmap创建自组织映射分类样本的尽可能多的细节通过选择每个维度的神经元数量的层。

我们将试着进行一层64个神经元排列成一个8×8六角网格对于这个示例。一般来说,与更多的神经元实现更详细,更多的维度可以模拟更复杂的功能空间的拓扑结构。

输入大小为0,因为网络尚未配置匹配我们的输入数据。这将发生在网络训练。

网= selforgmap ([8]);视图(净)

现在网络是可以被优化火车。

神经网络训练工具显示了该算法用于网络训练和训练它。它还显示培训期间状态和停止的标准培训将用绿色被加亮。

底部的按钮打开有用的情节,可以打开期间和之后的训练。链接算法名称和图旁边的按钮打开文档的主题。

(净,tr) =火车(净,x);

自组织映射是用于计算每个训练的类向量输入。这些分类的特征空间的已知的鲜花,和现在可以用来分类新的花朵。网络输出将64 x150矩阵,其中每个i列表示每个i输入向量的j集群1 j的元素。

这个函数vec2ind返回的索引神经元的输出1,每个向量。指数将介于1和64之间64集群由64个神经元。

y =净(x);cluster_index = vec2ind (y);

plotsomtop块64个神经元的自组织映射拓扑定位在一个8×8六角网格。每个神经元已经学会代表了不同阶级的花朵,与相邻的神经元通常代表类似的类。

plotsomtop(净)

plotsomhits计算每一朵花类,显示了每个类的花。区域的神经元大量点击显示的类代表类似的特征空间的高度密集的区域。而几支安打的地区显示人口稀少地区的特征空间。

plotsomhits(净,x)

plotsomnc显示了神经元的邻居连接。邻居通常类似的样本进行分类。

plotsomnc(净)

plotsomnd显示了遥远的(用欧式距离)每个神经元的类来自邻国。连接是明亮的指示输入空间的高度连接的区域。而黑暗连接指示类代表区域的特征空间远,他们之间很少或根本没有鲜花。

长的黑暗边界连接分离大区域的输入空间表明类边界两侧的代表花卉有不同的特性。

plotsomnd(净)

plotsomplanes显示了飞机重量的四个输入功能。他们是可视化的权重将每个输入连接到每个64个神经元的8×8六角网格。深色的颜色代表更大的权重。如果两个输入有相似的飞机重量(颜色梯度可能相同或相反),这表明他们是高度相关的。

plotsomplanes(净)

这个例子演示了如何设计一个神经网络集群基于虹膜花四个特点。

探索其他的例子和文档了解神经网络及其应用。