问题:给葡萄酒分类

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

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，它不仅可以正确地分类已知的葡萄酒，还可以泛化到准确地分类未用于设计解决方案的葡萄酒。

为什么是神经网络?

神经网络非常擅长模式识别问题。一个拥有足够元素(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，每个邻域属性的目标将是一个3元素的类向量，其中1代表相关酒厂的位置，#1、#2或#3。

利用邻域的属性来训练网络产生正确的目标类，从而设计网络。

准备数据

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

输入矩阵的每个第i列将有13个元素，表示已知酒厂的葡萄酒。

目标矩阵的每个对应列将有三个元素，在相关酒厂的位置由两个0和一个1组成。

这里加载了这样一个数据集。

[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。它们表示178个葡萄酒样本属性(输入)和相关的酒庄类向量(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，它将学习对葡萄酒进行分类。

由于神经网络的初始权重是随机的，所以这个例子的结果每次运行都会略有不同。

两层(即一个隐藏层)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，也许需要更多的层。更简单的问题需要更少的神经元。

输入和输出的大小为0，因为网络尚未配置为匹配我们的输入和目标数据。这将在网络被训练时发生。

Net = patternnet(10);视图(净)

现在网络已经准备好接受训练了。样本被自动分为训练集、验证集和测试集。训练集用于训练网络。只要网络在验证集上不断改进，训练就会继续。测试集提供了一个完全独立的网络精度度量。

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。在训练过程中显示训练状态，停止训练的标准将以绿色突出显示。

底部的按钮打开有用的地块，可以在训练期间和之后打开。算法名称和绘图按钮旁边的链接打开了有关这些主题的文档。

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

要查看网络在训练期间的性能改善情况，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，并以对数尺度显示。随着网络的训练，它迅速下降。

显示了每个训练集、验证集和测试集的性能。

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。这将给我们一种感觉，当应用于现实世界的数据时，网络会做得有多好。

网络输出将在0到1的范围内，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(:， trt . testind);testY = net(testX);testIndices = vec2ind(test)

testIndices =1×271 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 3

另一个衡量神经网络对数据拟合程度的指标是混淆图。在这里，混淆矩阵是在所有样本上绘制的。

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。错误的分类由红色方块组成。

如果网络已经学会了正确分类，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，或者训练一个包含更多隐藏神经元的网络，将是可取的。

plotconfusion (testT暴躁的)

下面是正确和错误分类的总体百分比。

[c,cm] =混乱(testT,testY)

C = 0

厘米=3×37 0 0 0 11 0 0 0 9

流(“正确分类百分比:%f%%\n”, 100 * (1 - c));

分类正确率:100.000000%

流(“分类错误百分比:%f%%\n”, 100 * c);

分类错误百分比:0.000000%

神经网络拟合数据好坏的第三个度量是接收器工作特征图。这显示了当输出阈值从0到1变化时，假阳性和真阳性率是如何相关的。

这条线越左越高，为了获得较高的真阳性率，需要接受的假阳性越少。最好的分类器会有一条从左下角，到左上角，到右上角，或接近这一点的线。

plotroc (testT暴躁的)

这个例子说明了如何设计一个神经网络，根据每种葡萄酒的特征将葡萄酒分为三个酿酒厂。

探索其他示例和文档以更深入地了解神经网络及其应用程序。