葡萄酒的分类

问题: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,可以从三个分类的葡萄酒酒庄由十三个属性:

这是一个模式识别问题的一个例子,在输入与不同的类相关联,我们希望建立一个神经网络,不仅把已知的葡萄酒,但也可以概括准确分类葡萄酒不习惯设计的解决方案。

神经网络的原因吗?

神经网络非常擅长模式识别问题。神经网络有足够的元素(称为神经元)可以具有任意精度的任何数据进行分类。它们特别适合于复杂的决策边界问题在许多变量。因此,神经网络是一个很好的候选人解决葡萄酒分类问题。

13个社区属性将作为神经网络的输入,和各自的目标将会是一个转换类向量1的位置相关的酒厂,# 1、# 2、# 3。

网络将被设计通过使用社区的属性来训练网络产生正确的目标类。

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。

输入矩阵的每个i列会有十三个元素代表一个葡萄酒的酒庄是已知的。

每个目标矩阵的对应的列有三个元素,组成两个0和1的位置相关的酒厂。

这样的数据集加载。

[x, t] = wine_dataset;

我们可以把输入X和目标T的大小。

注意,X和T有178列。这些代表178葡萄酒酿酒厂类相关联的示例属性(输入)和向量(目标)。

输入矩阵X有13行,十三个属性。目标矩阵T有三行,至于每一个例子中,我们有三种可能的酒厂。

大小(x)

ans =1×2178年13

大小(t)

ans =1×23 178

神经网络模式识别

下一步是创建一个将学习的神经网络对葡萄酒进行分类。

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。

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。

神经网络训练工具显示了该算法用于网络训练和训练它。它还显示培训期间状态和停止的标准培训将用绿色被加亮。

底部的按钮打开有用的情节,可以打开期间和之后的训练。链接算法名称和图旁边的按钮打开文档的主题。

(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)

测试网络

训练神经网络的均方误差现在可以测量的测试样本。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 =1×271 1 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

另一个测量的神经网络具有适应数据混乱情节。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

厘米=3×37 0 0 0 12 0 0 0 8

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

正确的分类比例:100.000000%

流(的比例不正确的分类:% f % % \ n ',100 * c);

不正确的分类比例:0.000000%

的第三个标准神经网络具有适合数据接受者操作特征。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)

这个例子演示了如何设计一个神经网络,将葡萄酒分为三个酒厂从每个葡萄酒的特点。

探索其他的例子和文档了解神经网络及其应用。