蟹的分类

问题:分类的螃蟹

在这个例子中,我们试图建立一个分类器,可以识别性别的一只螃蟹从其物理测量。六个蟹的物理特性是:物种,frontallip, rearwidth、长度、宽度和深度。手头的问题是识别性的蟹鉴于这些观测值6物理特性。

神经网络的原因吗?

已经证明了自己是精通分类器和神经网络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,像蟹分类、神经网络当然是适合解决这个问题。

六个物理特征作为神经网络的输入和性的蟹将目标。给定一个输入,构成了六个观测值的物理特性蟹,预计该神经网络识别如果蟹是男性或女性。

这是通过把先前记录的输入神经网络,然后调优它生产所需的目标输出。这个过程称为神经网络训练。

准备数据

数据分类问题建立了一个神经网络通过将数据组织成两个矩阵,输入矩阵X和目标矩阵T。

每个i列输入矩阵将有六个元素代表一只螃蟹物种,frontallip, rearwidth,长度、宽度和深度。

每个目标矩阵的对应的列将有两个元素。女螃蟹用的第一个元素表示,男蟹在第二个元素。(所有其他元素为零)。

这里的数据集加载。

[x, t] = crab_dataset;大小(x)

ans =1×2200年6

大小(t)

ans =1×22 200年

构建神经网络分类器

下一步是创建一个将学习的神经网络识别性的螃蟹。

由于神经网络从随机初始权重,这个例子的结果会略有不同,每次运行。随机种子将避免这种随机性。然而这并不是您自己的应用程序所必需的。

setdemorandstream (491218382)

两层(即one-hidden-layer)前馈神经网络可以学习任何给予足够的隐层神经元的输入-输出关系。层不输出层被称为隐藏层。

我们将尝试一个单隐层神经元10这个例子。一般来说,更困难的问题需要更多的神经元,或许更多的层。简单的问题需要较少的神经元。

输入和输出大小为0,因为网络尚未配置匹配我们的输入和目标数据。这将发生在网络训练。

网= patternnet (10);视图(净)

现在网络已经准备好被训练。样品会自动分成训练,验证集和测试集。训练集用于教网络。培训持续只要网络持续改进验证集。网络的测试集提供了一个完全独立的测量精度。

(净,tr) =火车(净,x, t);

看看网络的性能改进的培训期间,点击“性能”按钮在训练工具,或者叫PLOTPERFORM。

性能测量的均方误差,并显示在对数尺度。它迅速减少网络训练。

显示性能的每个训练,验证集和测试集。

plotperform (tr)

测试分类器

经过训练的神经网络可以被测试的测试样本。这将给我们的网络将如何当应用于现实世界的数据。

网络输出范围在0到1,所以我们可以使用vec2ind函数的类指数最高的元素的位置每个输出向量。

testX = x (:, tr.testInd);testT = t (:, tr.testInd);暴躁的=净(testX);testIndices = vec2ind(暴躁的)

testIndices =1×302 2 2 1 2 2 2 1 2 2 2 2 1 1 2 2 2 1 2 2 1 2 1 1 1 1 1 2 2 1

一个测量的神经网络具有适应数据的混乱。这里的混淆矩阵是绘制在所有样本。

混淆矩阵显示正确的和不正确的分类的百分比。正确的分类矩阵对角线上的绿色广场。不正确的分类形式红色的方块。

如果网络已经学会正确分类,红色方块的百分比应该很小,表明一些误分类。

如果情况不是这样,那么进一步的培训,或培训网络有更多隐藏的神经元,将是明智的。

plotconfusion (testT暴躁的)

这里的总体百分比是正确的和不正确的分类。

(c cm) =混乱(testT,暴躁的)

c = 0.0333

厘米=2×212 1 0 17

流(的正确分类:百分比% f % % \ n ',100 * (1 - c));

正确的分类比例:96.666667%

流(的比例不正确的分类:% f % % \ n ',100 * c);

不正确的分类比例:3.333333%

另一个测量的神经网络具有适合数据接受者操作特征图。这显示了假阳性和真阳性率与输出不同的阈值从0到1。

越远,线,减少假阳性需要接受为了得到一个真阳性率高。最好的分类器将有一条线从左下角,左上角,右上角,或接近。

plotroc (testT暴躁的)

这个例子说明了使用神经网络分类螃蟹。

探索其他的例子和文档了解神经网络及其应用。