问题:对葡萄酒进行分类

在这个例子中，我们试图建立一个神经网络，它可以根据13个属性对三个酒庄的葡萄酒进行分类:

这是一个模式识别问题的示例，其中输入与不同的类相关联，我们希望创建一个神经网络，该网络不仅能正确地对已知的葡萄酒进行分类，而且还能泛化到准确地对未用于设计解决方案的葡萄酒进行分类。

神经网络的原因吗?

神经网络非常擅长模式识别问题。具有足够元素(称为神经元)的神经网络可以以任意精度对任何数据进行分类。它们特别适合于处理多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良好选择。

这13个邻居属性将作为一个神经网络的输入，每个的相应目标将是一个3元素的类向量，在相关的酒厂位置上有一个1，#1，#2或#3。

该网络将通过使用邻域属性来设计，以训练网络生成正确的目标类。

准备数据

通过将数据组织成输入矩阵X和目标矩阵T两个矩阵，建立了神经网络的分类问题数据。

输入矩阵的每个第i列将有13个元素，代表一种葡萄酒，它的酿酒厂已经为人所知。

目标矩阵的每个对应列将有三个元素，在关联的酿酒厂位置由两个0和一个1组成。

在这里加载这样的数据集。

[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。这些表示178个葡萄酒样本属性(输入)和相关的酒厂类向量(目标)。

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

大小(x)

ans =1×2178年13

大小(t)

ans =1×23 178

利用神经网络进行模式识别

下一步是建立一个神经网络，学习如何对葡萄酒进行分类。

由于神经网络是从随机初始权值开始的，所以每次运行时，这个示例的结果都会略有不同。

两层(即单隐层)前馈神经网络可以学习任何输入-输出关系，只要隐层中有足够的神经元。不是输出层的层称为隐藏层。

在这个例子中，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，可能还需要更多的层。简单的问题需要较少的神经元。

输入和输出的大小为0，因为还没有配置网络来匹配我们的输入和目标数据。这将在网络训练时发生。

网= patternnet (10);视图(净)

现在这个网络已经准备好接受培训了。样本自动分为训练集、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不断改进，训练就会继续进行。测试集提供了对网络准确性的完全独立的度量。

神经网络训练工具显示被训练的网络和用于训练它的算法。它还会显示培训期间的培训状态，并以绿色高亮显示停止培训的标准。

底部的按钮打开有用的绘图，可以在训练期间和训练之后打开。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);nntraintool nntraintool (“关闭”)

要查看网络在培训期间的性能改进情况，可以单击培训工具中的“performance”按钮，或者调用PLOTPERFORM。

性能是用平均平方误差来衡量的，并以对数刻度表示。随着网络的训练，它迅速减少。

每个训练、验证和测试集都显示了性能。

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。这将让我们了解当应用到真实世界的数据时，网络会做得有多好。

网络输出将在0到1之间，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 1 1 1 1 2 2 2 2 2 2 2 2 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，混淆矩阵被绘制在所有样本中。

混淆矩阵显示了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。红色方块代表错误的分类。

如果网络已经学会了正确分类，那么红色方块中的百分比应该非常小，表明错误分类很少。

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，将是明智的。

plotconfusion (testT暴躁的)

以下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=3×311 0 0 0 0 8 0 0 0 8

流(正确分类百分比:%f%%\n',100 * (1 - c));

正确分类百分比:100.000000%

流('错误分类百分比:%f%%\n',100 * c);

错误分类百分比:0.000000%

第三个衡量神经网络拟合数据好坏的指标是接收器的工作特性图。这显示了假阳性和真阳性率如何与输出的阈值从0到1的变化相关。

这条线越左越高，为了获得较高的真实阳性率，假阳性需要接受的次数就越少。最好的分类器会有一条从左下角，到左上角，到右上角，或者接近的线。

plotroc (testT暴躁的)

这个例子说明了如何设计一个神经网络，根据每种酒的特性将酒分为三个酒庄。

探索其他示例和文档，以进一步了解神经网络及其应用。