问题:对葡萄酒进行分类

在这个例子中，我们试图构建一个神经网络，它可以根据13个属性对3家酒厂的葡萄酒进行分类:

这是一个模式识别问题的例子，其中的输入与不同的类别相关联，我们想要创建一个神经网络，不仅可以正确地分类已知的葡萄酒，而且还可以一般化，准确地分类没有用于设计解决方案的葡萄酒。

神经网络的原因吗?

神经网络非常擅长解决模式识别问题。拥有足够元素的神经网络(称为神经元)可以以任意精度对任何数据进行分类。它们特别适合于复杂的多变量决策边界问题。因此，神经网络是解决葡萄酒分类问题的理想选择。

这13个邻域属性将作为神经网络的输入，每个邻域属性的目标将是一个3元素的类向量，在关联的酒厂#1，#2或#3的位置上有一个1。

通过使用社区的属性来设计网络，训练网络产生正确的目标类。

准备数据

分类问题的数据是通过将数据组织成两个矩阵，输入矩阵X和目标矩阵T来建立神经网络。

输入矩阵的每第i列都有13个元素，它们代表的葡萄酒的酿酒厂是已知的。

目标矩阵的每一列都有三个元素，其中两个0和一个1位于相关联的酒厂的位置。

这里加载了这样一个数据集。

[x, t] = wine_dataset;

我们可以看到输入X和目标T的大小。

注意，X和T都有178列。这代表了178个葡萄酒样本属性(输入)和相关的酒庄类向量(目标)。

输入矩阵X有13行，对应13个属性。目标矩阵T有三行，对于每个例子，我们有三个可能的酒厂。

大小(x)

ans =1×2178年13

大小(t)

ans =1×23 178

基于神经网络的模式识别

下一步是建立一个神经网络来学习对葡萄酒进行分类。

由于神经网络的初始权值是随机的，所以每次运行时，结果都会略有不同。

两层(即单隐层)前馈神经网络只要在隐层中有足够的神经元，就可以学习任意的输入输出关系。非输出层的层称为隐藏层。

在这个例子中，我们将尝试一个由10个神经元组成的隐藏层。一般来说，更困难的问题需要更多的神经元，也许需要更多的层次。简单的问题需要更少的神经元。

输入和输出的大小为0，因为网络还没有配置为匹配我们的输入和目标数据。当网络被训练时就会发生这种情况。

网= patternnet (10);视图(净)

现在网络已经准备好接受训练了。将样本自动划分为训练集、验证集和测试集。训练集用于网络教学。只要网络在验证集上继续改进，训练就会继续进行。该测试集提供了一个完全独立的网络准确性度量。

神经网络训练工具显示了被训练的网络和用来训练它的算法。它还显示训练期间的训练状态，停止训练的标准将以绿色突出显示。

底部的按钮打开有用的图形，可以在训练期间和训练后打开。算法名称和绘图按钮旁边的链接打开了关于这些主题的文档。

(净,tr) =火车(净,x, t);

要查看网络的性能在培训期间是如何提高的，可以单击培训工具中的“性能”按钮，或者调用PLOTPERFORM。

性能以均方误差衡量，并以对数尺度显示。随着网络的训练，它迅速下降。

显示每个训练、验证和测试集的性能。

plotperform (tr)

测试网络

训练后的神经网络的均方误差现在可以相对于测试样本进行测量。这将给我们一个感觉，当应用到来自真实世界的数据时，这个网络将做得多好。

网络输出的范围是0到1，所以我们可以使用vec2ind函数获取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);暴躁的=净(testX);testIndices = vec2ind(暴躁的)

testIndices =1×271 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3

另一个衡量神经网络与数据吻合程度的方法是混淆图。这里绘制了所有样本的混淆矩阵。

混淆矩阵显示正确和错误分类的百分比。正确的分类是矩阵对角线上的绿色方块。红色方块是错误的分类。

如果网络已经学会正确分类，红色方块中的百分比应该非常小，表明很少有错误分类。

如果情况并非如此，那么进一步的训练，或者训练一个拥有更多隐藏神经元的网络，将是可取的。

plotconfusion (testT暴躁的)

下面是正确和错误分类的总体百分比。

(c cm) =混乱(testT,暴躁的)

c = 0

厘米=3×37 0 0 11 0 0 0 9

流('正确分类百分比:%f%%\n', 100 * (1 - c));

正确分类百分比:100.000000%

流('百分比错误分类:%f%%\n', 100 * c);

错误分类百分比:0.000000%

第三个衡量神经网络有多好的拟合数据是接收器操作特征图。这显示了当输出的阈值从0到1变化时，假阳性和真阳性率是如何相关的。

越往左和越往上，越少的假阳性需要被接受，以获得较高的真阳性率。最好的分类器会有一条线从左下角，到左上角，到右上角，或接近它。

plotroc (testT暴躁的)

这个例子说明了如何设计一个神经网络，根据葡萄酒的特点将葡萄酒分为三个酒庄。

探索其他示例和文档以更深入地了解神经网络及其应用。