问题:螃蟹的分类

在这个例子中，我们试图建立一个分类器，可以从物理测量中识别螃蟹的性别。螃蟹的六个物理特征被考虑:种类，前唇，后宽，长度，宽度和深度。手头的问题是根据这6种物理特征的观测值来确定螃蟹的性别。

为什么是神经网络?

神经网络已经证明自己是熟练的分类器，特别适合解决非线性问题。考虑到现实世界现象的非线性性质，比如螃蟹分类，神经网络肯定是解决这个问题的一个很好的候选者。

这六种身体特征将作为神经网络的输入，而螃蟹的性别将成为目标。给定一个输入，它构成了蟹的六个物理特征的观测值，神经网络有望识别螃蟹是雄性还是雌性。

这是通过将先前记录的输入呈现给神经网络，然后调整它以产生所需的目标输出来实现的。这个过程被称为神经网络训练。

数据准备

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列将有六个元素代表螃蟹的种类，frontallip, rewidth, length, width和depth。

目标矩阵的每一列都有两个元素。雌性螃蟹在第一个元素中以1表示，雄性螃蟹在第二个元素中以1表示。(所有其他元素为零)。

这里加载数据集。

[x,t] = crab_dataset;大小(x)

ans =1×2200年6

大小(t)

ans =1×22 200年

建立神经网络分类器

下一步是创建一个神经网络，学习识别螃蟹的性别。

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。随机种子的设置是为了避免这种随机性。但是，对于您自己的应用程序来说，这不是必需的。

setdemorandstream (491218382)

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匹配我们的输入和目标数据。当网络得到训练时，这就会发生。

Net = patternnet(10);视图(净)

现在这个网络已经准备好接受训练了。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继续改进，训练就会继续。测试集提供了一个完全独立的网络精度测量。

[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“性能”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)

测试分类器

训练过的神经网络现在可以用测试样本进行测试。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);test = t(:，tr.testInd);testY = net(testX);testIndices = vec2ind(testY)

testIndices =1×302 2 2 1 2 2 2 1 2 2 2 1 1 2 2 2 1 1 1 1 1 1 1 2 2 2

衡量神经网络拟合数据的一个指标是混淆图。这里的混淆矩阵是在所有样本之间绘制的。

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。错误的分类形成了红色的方格。

如果网络已经学会了正确的分类，红色方块中的百分比应该非常小，表明很少有错误的分类。

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将是可取的。

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 = 0.0333

厘米=2×212 10 0 17

流('正确分类百分比:%f%%\n', 100 * (1 - c));

正确分类:96.666667%

流('错误分类百分比:%f%%\n', 100 * c);

分类错误:3.333333%

另一个衡量神经网络拟合数据的指标是接收器工作特征图。这表明当输出的阈值从0到1变化时，假阳性率和真阳性率是如何关联的。

这条线越左越上，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从左下角到左上角，到右上角或接近右上角的线。

plotroc (testT暴躁的)

这个例子说明了如何使用神经网络对螃蟹进行分类。

探索其他示例和文档，以更深入地了解神经网络及其应用。