主要内容

CompactClassificationNeuralNetwork

紧凑的神经网络分类模型

扩展所有的页面

    描述

    CompactClassificationNeuralNetwork是一个紧凑版本的吗ClassificationNeuralNetwork模型对象。紧凑的模型不包括数据用于训练分类器。因此,您不能执行一些任务,比如交叉验证,使用紧凑的模型。用一个简洁的模型预测新数据的标签等任务。

    创建

    创建一个CompactClassificationNeuralNetwork对象从一个完整的ClassificationNeuralNetwork模型对象通过使用紧凑的。

    属性

    全部展开

    神经网络属性

    这个属性是只读的。

    尺寸完全连接层的神经网络模型,作为一个正整数返回向量。的我th元素LayerSizes输出数量吗我完全连接层的神经网络模型。

    LayerSizes不包括最后的完全连接层的大小。这一层总是K输出,K在响应变量的类的数量。

    数据类型:单|双

    这个属性是只读的。

    学习层权重完全连接层,作为细胞数组返回。的我单元阵列中的th条目对应的层的权重我完全连接层。例如,Mdl.LayerWeights {1}返回第一个完全连接的权重模型的层Mdl。

    LayerWeights包括最后的完全连接层的权重。

    数据类型:细胞

    这个属性是只读的。

    学习层完全连接层的偏见,作为细胞数组返回。的我单元阵列中的th条目对应的层的偏见我完全连接层。例如,Mdl.LayerBiases {1}返回第一个完全连接的偏差模型的层Mdl。

    LayerBiases包括最后的偏见完全连接层。

    数据类型:细胞

    这个属性是只读的。

    激活功能完全连接层的神经网络模型,作为一个特征向量返回或单元阵列特征向量的值从这个表。

    价值 描述
    “relu”

    修正线性单元(ReLU)函数——执行一个阈值操作每个元素的输入,任何小于零的值设置为零,也就是说,

    f ( x ) = { x , x ≥ 0 0 , x < 0

    的双曲正切

    双曲正切函数的双曲正切)——应用双曲正切每个输入元素函数
    “乙状结肠”

    乙状结肠函数——每个输入元素上执行以下操作:

    f ( x ) = 1 1 + e − x

    “没有”

    恒等函数,返回每个输入元素没有执行任何转换,也就是说,f(x)=x

    • 如果激活只包含一个激活函数,那么每一个完全连接层的激活函数的神经网络模型,包括最后的完全连接层。最后完全连接层的激活函数总是softmax (OutputLayerActivation)。

    • 如果激活是一个数组的激活函数,那么我元素的激活函数我层的神经网络模型。

    数据类型:字符|细胞

    这个属性是只读的。

    激活函数最后完全连接层,返回“softmax”。每个输入函数x我并返回后,K在响应变量类的数量:

    f ( x 我 ) = 经验值 ( x 我 ) ∑ j = 1 K 经验值 ( x j ) 。

    结果对应分类预测分数(或后验概率)。

    数据属性

    这个属性是只读的。

    预测变量的名字,作为特征向量的单元阵列返回。元素的顺序PredictorNames对应的顺序预测的名字出现在训练数据。

    数据类型:细胞

    这个属性是只读的。

    分类预测指标,作为一个向量的正整数返回。假设预测数据包含观察行,CategoricalPredictors包含索引值对应的列包含分类预测的预测数据。如果所有的预测都直言,那么这个属性是空的([])。

    数据类型:双

    这个属性是只读的。

    扩大了预测的名字,作为特征向量的单元阵列返回。如果分类变量的模型使用的编码,那么ExpandedPredictorNames包括名称,描述变量扩展。否则,ExpandedPredictorNames是一样的PredictorNames。

    数据类型:细胞

    这个属性是只读的。

    独特的类名称中使用培训,作为数字返回向量,分类向量,逻辑向量,字符数组或单元阵列特征向量。一会具有相同的数据类型的类标签响应变量用于训练模型。(软件对字符串数组作为细胞阵列特征向量)。一会也决定了课堂秩序。

    数据类型:单|双|分类|逻辑|字符|细胞

    这个属性是只读的。

    响应变量名,作为一个特征向量返回。

    数据类型:字符

    其他分类属性

    这个属性是只读的。

    误分类代价,作为数字方阵,返回成本(i, j)是一个指向类分类的成本j如果它真正的类我。成本矩阵总是这种形式:成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我。行对应于真实的类和列对应预测类。的行和列的顺序成本对应于类的顺序一会。

    数据类型:双

    这个属性是只读的。

    为每个类先验概率,作为一个数值向量返回。元素的顺序之前对应的元素一会。

    数据类型:双

    分数变换,指定为一个特征向量或函数句柄。ScoreTransform代表一个内置的函数或一个函数处理转换分类预测分数。

    改变分数转换函数函数例如,使用点符号。

    • 对于一个内置的函数,输入一个特征向量。

      Mdl。ScoreTransform = '函数”;

      此表描述了可用的内置函数。

      价值 描述
      “doublelogit” 1 / (1 +e2x)
      “invlogit” 日志(x/ (1 -x))
      “ismax” 集类的分数最大的分数为1,并设置所有其他类的分数为0
      分对数的 1 / (1 +e- - - - - -x)
      “没有”或“身份” x(转换)
      “标志” 1x< 0
      为0x= 0
      1x> 0
      “对称” 2x- 1
      “symmetricismax” 集合类的分数最大的分数为1,和所有其他类的分数设置为1
      “symmetriclogit” 2 / (1 +e- - - - - -x)- 1

    • 对于一个MATLAB®函数或你定义一个函数,输入它的功能处理。

      Mdl。ScoreTransform = @函数;

      函数必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。

    数据类型:字符|function_handle

    对象的功能

    全部展开

    石灰 本地可model-agnostic解释(石灰)
    partialDependence 计算部分依赖
    plotPartialDependence 创建部分依赖图(PDP)和个人条件期望(ICE)情节
    沙普利 沙普利值
    边缘 神经网络分类器分类边缘
    损失 神经网络分类器分类损失
    保证金 神经网络分类器分类利润率
    预测 观察使用神经网络分类器进行分类
    compareHoldout 比较两种分类模型使用新数据的精度
    testckfold 比较两种分类模型的精度重复交叉验证

    例子

    全部折叠

    打开生活的脚本

    减少大小的一个完整的神经网络分类器的训练数据的模型。您可以使用一个紧凑的模型来提高记忆效率。

    加载病人从数据集中数据集。创建一个表,每一行对应一个病人和每一列对应一个诊断变量。使用吸烟者变量作为响应变量,其余变量的预测因子。

    负载病人台=表(舒张压、收缩压、性别、身高、体重、年龄、吸烟);

    使用数据训练神经网络分类器。指定吸烟者列的资源描述作为反应变量。指定标准化数值预测。

    Mdl = fitcnet(资源描述,“抽烟”,“标准化”,真正的)
    Mdl = ClassificationNeuralNetwork PredictorNames:{舒张期的“收缩”“性别”的“高度”“重量”“年龄”}ResponseName:“烟民”CategoricalPredictors: 3类名:[0 1]ScoreTransform:“没有一个”NumObservations: 100 LayerSizes: 10激活:“relu”OutputLayerActivation:“softmax”解算器:“LBFGS”ConvergenceInfo: [1×1 struct] TrainingHistory:[36×7表]属性,方法

    Mdl是一个完整的ClassificationNeuralNetwork模型对象。

    减少使用模型的大小紧凑的。

    compactMdl =紧凑(Mdl)
    compactMdl = CompactClassificationNeuralNetwork LayerSizes: 10激活:“relu”OutputLayerActivation:“softmax”属性,方法

    compactMdl是一个CompactClassificationNeuralNetwork模型对象。compactMdl属性包含少于完整的模型Mdl。

    显示每个神经网络模型所使用的内存数量。

    谁(“Mdl”,“compactMdl”)
    类属性名称大小字节Mdl 1 x1 18836 ClassificationNeuralNetwork compactMdl 1 x1 6663 classreg.learning.classif.CompactClassificationNeuralNetwork

    完整的模型比紧凑模型。

    另请参阅

    |||||||

    主题

    介绍了R2021a

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习:一个循序渐进的指导与MATLAB

    掌握机器学习:一个循序渐进的指导与MATLAB

    下载电子书