问题:葡萄酒分类

在这个例子中，我们试图建立一个神经网络，可以根据13个属性对三家酒庄的葡萄酒进行分类:

这是一个模式识别问题的例子，其中输入与不同的类别相关联，我们想要创建一个神经网络，不仅可以正确地对已知的葡萄酒进行分类，而且还可以泛化以准确地对未用于设计解决方案的葡萄酒进行分类。

为什么是神经网络?

神经网络非常擅长模式识别问题。具有足够多元素的神经网络(称为神经元)可以以任意精度对任何数据进行分类。它们特别适合处理涉及多个变量的复杂决策边界问题。因此，神经网络是解决葡萄酒分类问题的一个很好的候选。

这13个邻域属性将作为神经网络的输入，每个属性的各自目标将是一个包含3个元素的类向量，其中1位于相关酒厂的位置，#1，#2或#3。

该网络将使用邻居的属性来训练网络以产生正确的目标类。

准备数据

为神经网络建立分类问题的数据，将数据组织成两个矩阵，输入矩阵X和目标矩阵T。

输入矩阵的每个第i列都有13个元素，代表一种已知酒厂的葡萄酒。

目标矩阵的每个对应列将有三个元素，由两个0和相关酒厂的位置的1组成。

在这里加载这样的数据集。

[x,t] = wine_dataset;

我们可以查看输入X和目标T的大小。

注意X和T都有178列。它们表示178个葡萄酒样本属性(输入)和相关的酒厂类别向量(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

下一步是创建一个神经网络来学习对葡萄酒进行分类。

由于神经网络从随机的初始权重开始，这个例子的结果在每次运行时都会略有不同。

两层(即一层隐藏层)前馈神经网络可以学习任何输入输出关系，只要在隐藏层中有足够多的神经元。不是输出层的层称为隐藏层。

对于这个例子，我们将尝试一个包含10个神经元的隐藏层。一般来说，更困难的问题需要更多的神经元，也许还需要更多的层次。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与输入和目标数据匹配。当网络被训练时，就会发生这种情况。

Net = patternnet(10);视图(净)

现在可以训练网络了。样本自动分为训练集、验证集和测试集。训练集用于对网络进行教学。只要网络在验证集上不断改进，训练就会继续进行。测试集提供了一个完全独立的网络精度测量方法。

神经网络训练工具显示了正在训练的网络和用于训练它的算法。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。

底部的按钮可以打开有用的图，可以在训练期间和训练结束后打开。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。

[net,tr] = train(net,x,t);

要查看网络的性能在训练期间是如何提高的，可以单击训练工具中的“performance”按钮，或者调用PLOTPERFORM。

性能是根据均方误差来衡量的，并以对数刻度表示。随着网络的训练，它迅速下降。

展示了每个训练集、验证集和测试集的性能。

plotperform (tr)

测试网络

经过训练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。这将让我们了解网络在应用于来自现实世界的数据时的表现。

网络输出将在0到1的范围内，因此我们可以使用vec2ind函数将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 =1×271 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3

另一种衡量神经网络对数据拟合程度的方法是混淆图。这里的混淆矩阵是在所有样本上绘制的。

混淆矩阵显示了正确和不正确分类的百分比。正确的分类是矩阵对角线上的绿色方块。错误的分类形成了红色方块。

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。

如果不是这样，那么进一步的训练，或者训练一个有更多隐藏神经元的网络是可取的。

plotconfusion (testT暴躁的)

这里是正确和错误分类的总百分比。

[c,cm] =混淆(testT,testY)

C = 0

厘米=3×37 0 0 0 12 0 0 0 8

流(正确分类:%f%%\n, 100 * (1 - c));

正确分类:100.0000%

流('错误分类百分比:%f%%\n', 100 * c);

错误分类:0.00000%

衡量神经网络拟合数据的第三个指标是接收者操作特征图。这表明当输出的阈值从0到1变化时，假阳性和真阳性率是如何关联的。

直线越左越上，为了获得高的真阳性率，需要接受的假阳性就越少。最好的分类器会有一条线从左下角，到左上角，到右上角，或者接近这一点。

plotroc (testT暴躁的)

这个例子说明了如何设计一个神经网络，根据每种葡萄酒的特征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。