预测
利用神经网络分类器对观测数据进行分类
语法
描述
例子
利用神经网络对测试集观测值进行分类
使用神经网络分类器预测测试集观察的标签。
加载病人数据集。从数据集中创建一个表。每一行对应一个病人，每列对应一个诊断变量。使用吸烟者变量作为响应变量，其余变量作为预测变量。
负载病人tbl = table(舒张压，收缩压，性别，身高，体重，年龄，吸烟);
将数据分成一个训练集tblTrain和一个测试集tblTest通过使用分层坚持分区。该软件为测试数据集保留大约30%的观测值，并将其余观测值用于训练数据集。
rng (“默认”）用于分区的再现性C = cvpartition(tbl.)抽烟,“坚持”, 0.30);trainingIndices = training(c);testIndices =测试(c);tblTrain = tbl(trainingIndices，:);tblTest = tbl(testIndices，:);
使用训练集训练神经网络分类器。指定吸烟者列的tblTrain作为响应变量。指定以标准化数值预测器。
Mdl = fitcnet(tblTrain，“抽烟”，.．.“标准化”,真正的);
对测试集观测值进行分类。使用混淆矩阵将结果可视化。
label = predict(Mdl,tblTest);confusionchart (tblTest.Smoker、标签)
神经网络模型正确地分类了除两个测试集观测值之外的所有测试集观测值。
选择要包含在神经网络分类器中的特征
通过比较测试集分类边缘、边缘、误差和预测来执行特征选择。将使用所有预测器训练的模型的测试集指标与仅使用预测器子集训练的模型的测试集指标进行比较。
加载示例文件fisheriris.csv，其中包含虹膜数据，包括萼片长度、萼片宽度、花瓣长度、花瓣宽度和物种类型。将文件读入表。
渔场=可读表(“fisheriris.csv”）;
将数据分成一个训练集trainTbl和一个测试集testTbl通过使用分层坚持分区。该软件为测试数据集保留大约30%的观测值，并将其余观测值用于训练数据集。
rng (“默认”c = cvpartition(渔场表。物种,“坚持”, 0.3);trainTbl =渔场(训练(c)，:);testTbl = fishtable (test(c)，:);
使用训练集中的所有预测器训练一个神经网络分类器，并使用训练集中的所有预测器训练另一个分类器PetalWidth．对于这两个模型，请指定物种作为响应变量，并对预测函数进行标准化。
allMdl = fitcnet(trainTbl，“物种”，“标准化”,真正的);subsetMdl = fitcnet(trainTbl，“物种~ SepalLength + SepalWidth + PetalLength”，.．.“标准化”,真正的);
计算两个模型的测试集分类边界。因为测试集只包含45个观察值，所以使用条形图显示边缘。
对于每个观察，分类裕度是真实类别的分类分数与虚假类别的最大分数之间的差值。因为神经网络分类器返回的分类分数是后验概率，边际值接近1表示正确分类，边际值为负表示错误分类。
tiledlayout (2, 1)%顶轴Ax1 = nexttile;alledges = margin(allMdl,testTbl);栏(ax₁,allMargins)包含(ax₁“观察”) ylabel (ax₁,“保证金”)标题(ax₁,“预测”）%底轴Ax2 = nexttile;subsetmargin = margin(subsetMdl,testTbl);栏(ax2 subsetMargins)包含(ax2,“观察”) ylabel (ax2,“保证金”)标题(ax2,“预测因子子集”）
比较两个模型的测试集分类边缘，或分类边缘的平均值。
allEdge = edge(allMdl,testTbl)
allEdge = 0.8198
subsetEdge = edge(subsetMdl,testTbl)
subsetEdge = 0.9556
基于测试集分类边界和边，在一个预测器子集上训练的模型似乎优于在所有预测器上训练的模型。
比较两种模型的测试集分类误差。
allError = loss(allMdl,testTbl);allAccuracy = 1-allError
allAccuracy = 0.9111
subsetError = loss(subsetMdl,testTbl);subsetAccuracy = 1-subsetError
subsetAccuracy = 0.9778
同样，只使用一个预测器子集训练的模型似乎比使用所有预测器训练的模型表现得更好。
使用混淆矩阵可视化测试集分类结果。
allLabels = predict(allMdl,testTbl);图(testtable . species,allLabels)“预测”）
subsetLabels = predict(subsetMdl,testTbl);figure figure (testtable . species,subsetLabels)“预测因子子集”）
使用所有预测器训练的模型错误地分类了四个测试集观测值。使用预测器子集训练的模型只错分类了一个测试集观测值。
考虑到这两个模型的测试集性能，考虑使用使用所有预测器训练的模型PetalWidth．
利用神经网络分类器的层结构进行预测
了解神经网络分类器的各层如何协同工作，以预测单个观察的标签和分类分数。
加载示例文件fisheriris.csv，其中包含虹膜数据，包括萼片长度、萼片宽度、花瓣长度、花瓣宽度和物种类型。将文件读入表。
渔场=可读表(“fisheriris.csv”）;
使用数据集训练神经网络分类器。指定物种列的fishertable作为响应变量。
Mdl = fitcnet(渔场表，“物种”）;
从数据集中选择第15个观测值。看看神经网络分类器的各层如何获取观察结果并返回预测的类标签newPointLabel分类分数newPointScores．
newPoint = Mdl。X{15日:}
newPoint =1×45.8000 4.0000 1.2000 0.2000
firstFCStep = (Mdl.LayerWeights{1})*newPoint' + Mdl.LayerBiases{1};reluStep = max(firstFCStep,0);finalFCStep = (Mdl.LayerWeights{end})*reluStep + Mdl.LayerBiases{end};finalSoftmaxStep = softmax(finalFCStep);[~， classsidx] = max(finalSoftmaxStep);newPointLabel = Mdl。一会{classIdx}
newPointLabel = 'setosa'
newPointScores = finalSoftmaxStep'
newPointScores =1×31.0000 0.0000 0.0000
方法返回的预测是否匹配预测对象的功能。
[predictedLabel,predictedScores] = predict(Mdl,newPoint)
predictedLabel =1x1单元阵列{' setosa '}
predictedScores =1×31.0000 0.0000 0.0000
输入参数
输出参数
更多关于
选择功能
金宝app仿真软件块
将神经网络分类模型的预测集成到Simulink中金宝app®，你可以使用ClassificationNeuralNetwork预测块的统计和机器学习工具箱™库或MATLAB®函数块。预测函数。有关示例，请参见使用ClassificationNeuralNetwork预测块预测类标签而且使用MATLAB函数块预测类标签．
在决定使用哪种方法时，请考虑以下因素:
如果使用“统计和机器学习工具箱”库块，则可以使用定点的工具(定点设计师)将浮点模型转换为定点模型。
金宝app控件的MATLAB函数块必须启用对可变大小数组的支持
预测函数。如果使用MATLAB函数块，则可以在同一MATLAB函数块中使用MATLAB函数进行预测前后的预处理或后处理。
扩展功能
版本历史
R2021a中引入
您也可以从以下列表中选择一个网站: