问题:对葡萄酒进行分类

在此示例中，我们尝试构建一个神经网络，可以通过十三个属性从三个葡萄酒厂对葡萄酒分类：

这是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，不仅可以正确对已知的葡萄酒进行分类，而且可以概括为准确地分类不用于设计的葡萄酒解决方案。

神经网络的原因吗?

神经网络非常擅长模式识别问题。具有足够元素（称为神经元）的神经网络可以将任何具有任意精度的数据分类。它们特别适用于许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候选者。

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，在关联的酒厂#1，#2或#3的位置上有一个1。

网络将通过使用邻域的属性来培训网络来生成正确的目标类。

准备数据

通过将数据组织成两个矩阵，输入矩阵X和目标矩阵T，为神经网络设置了分类问题的数据。

输入矩阵的每第i列都有13个元素，它们代表的葡萄酒的酿酒厂是已知的。

目标矩阵的每一列都有三个元素，其中两个0和一个1位于相关联的酒厂的位置。

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。这代表了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有十三个属性的十三个行。目标矩阵T有三行，对于每个示例我们有三个可能的葡萄酒厂。

尺寸（x）

ans =1×2178年13

大小(t)

ans =1×23 178

基于神经网络的模式识别

下一步是建立一个神经网络来学习对葡萄酒进行分类。

由于神经网络的初始权值是随机的，所以每次运行时，结果都会略有不同。

两层(即单隐层)前馈神经网络只要在隐层中有足够的神经元，就可以学习任意的输入输出关系。非输出层的层称为隐藏层。

我们将尝试为此示例的10个神经元的单个隐藏层。通常，更困难的问题需要更多的神经元，也许更多层。更简单的问题需要较少的神经元。

输入和输出具有0的大小，因为网络尚未配置以匹配我们的输入和目标数据。当网络训练网络时会发生这种情况。

net = patternnet（10）;查看（网）

现在网络已准备好培训。样本自动分为培训，验证和测试集。培训集用于教导网络。只要网络继续改善验证集即可继续培训。测试集提供了完全独立的网络精度度量。

神经网络培训工具显示正在接受培训的网络和用于训练它的算法。它还在培训期间显示培训州，并在绿色中突出显示培训的标准。

底部的按钮可在培训期间和之后打开的有用图。算法名称旁边的链接和绘图按钮在这些主题上打开文档。

(净,tr) =火车(净,x, t);

要查看网络的性能在培训期间是如何提高的，可以单击培训工具中的“性能”按钮，或者调用PLOTPERFORM。

性能以均方误差衡量，并以对数尺度显示。随着网络的训练，它迅速下降。

显示每个训练、验证和测试集的性能。

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。这将给我们一个感觉，当应用到来自真实世界的数据时，这个网络将做得多好。

网络输出将在0到1的范围内，所以我们可以使用vec2ind.函数将类索引作为每个输出向量中的最高元素的位置。

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 2 2 2 2 2 2 2 2 2 2 2 2 2 3 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。这里绘制了所有样本的混淆矩阵。

困惑矩阵显示了正确和不正确的分类百分比。正确的分类是矩阵对角线上的绿色方块。不正确的分类形成红色方块。

如果网络已经学会正确分类，红色方块中的百分比应该非常小，表明很少有错误分类。

如果不是这种情况，那么进一步培训或培训具有更多隐藏神经元的网络，是可取的。

plotconfusion（Testt，Testy）

下面是正确和错误分类的总体百分比。

[c，cm] =混乱（testt，esty）

C = 0.

cm =3×37 0 0 11 0 0 0 9

fprintf（'正确分类百分比:%f%%\n', 100 * (1 - c));

百分比正确分类：100.000000％

fprintf（'百分比错误分类:%f%%\n', 100 * c);

百分比不正确分类：0.000000％

神经网络如何具有拟合数据的第三次数是接收器操作特征图。这表明如何在输出的阈值下变化为0到1时如何与输出的阈值相同。

左侧和左上方的左侧和上升得更远，需要接受较少的误报，以获得高真正的阳性率。最好的分类器将有一条从左下角到左上角到右上角的线，或接近左上角。

plotroc (testT暴躁的)

这个例子说明了如何设计一个神经网络，将葡萄酒分为三个葡萄酒厂的特征。

探索其他示例和文档以更深入地了解神经网络及其应用。