神经网络模型分类据/p>
一种据code class="object">ClassificationneuralKetwork.据/code>对象是一个训练有素的,前馈和完全连接的神经网络,用于分类。神经网络的第一个完全连接层具有与网络输入的连接(预测器数据据a href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html" class="intrnllnk">X据/code>),以及每个后续层具有与先前层的连接。每个完全连接层倍频输入由权重矩阵(据a href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html" class="intrnllnk">
层次重量据/code>),然后添加的偏置矢量(据a href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html" class="intrnllnk">
二层谬误据/code>)。激活功能遵循每个完全连接的图层(据a href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html" class="intrnllnk">
激活据/code>和据a href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html" class="intrnllnk">
OutputLayerActivation据/code>)。最终完全连接的层和随后的SoftMax激活功能会产生网络的输出,即分类分数(后验概率)和预测标签。有关更多信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="a">神经网络结构据/a>。据/p>
创建一个据code class="object">ClassificationneuralKetwork.据/code>通过使用据a href="//www.tianjin-qmedu.com/help/stats/fitcnet.html">Fitcnet.据/code>。据/p>
双层据/code>
-据span itemprop="purpose">完全连接层的大小据/span>此属性是只读的。据/p>
在神经网络模型的完全连接层的尺寸,返回正整数向量。这据E.m class="varname">一世据/em>Th元素据code class="argument">双层据/code>是输出的数量据E.m class="varname">一世据/em>TH完全连接的神经网络模型层。据/p>
数据类型:据/strong>双层据/code>不包括最终完全连接层的大小。这层总是有据E.m class="varname">K.据/em>输出,其中据E.m class="varname">K.据/em>是课程数量据code class="argument">y据/code>。据/p>
单身的据/code>|据code>双倍的据/code>
层次重量据/code>
-据span itemprop="purpose">据悉层的权重据/span>此属性是只读的。据/p>
了解到层的权重为完全连接层,返回为单元阵列。这据E.m class="varname">一世据/em>单元格数组中的条目对应于图层权重据E.m class="varname">一世据/em>全连接层。例如,据code class="literal">mdl.layerweights {1}据/code>返回模型的第一个完全连接层的权重据code class="literal">MDL.据/code>。据/p>
数据类型:据/strong>层次重量据/code>包括最终完全连接层的权重。据/p>
细胞据/code>
二层谬误据/code>
-据span itemprop="purpose">据悉层偏见据/span>此属性是只读的。据/p>
了解到层偏压为完全连接层,返回为单元阵列。这据E.m class="varname">一世据/em>在单元阵列对应个条目的层偏压为据E.m class="varname">一世据/em>全连接层。例如,据code class="literal">mdl.layerbiases {1}据/code>返回偏压为模型的第一完全连接层据code class="literal">MDL.据/code>。据/p>
数据类型:据/strong>二层谬误据/code>包括最终完全连接层的偏差。据/p>
细胞据/code>
激活据/code>
-据span itemprop="purpose">对于完全连接层激活函数据/span>'relu'据/code>
|据span itemprop="inputvalue">'tanh'据/code>
|据span itemprop="inputvalue">'sigmoid'据/code>
|据span itemprop="inputvalue">'没有任何'据/code>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
此属性是只读的。据/p>
神经网络模型的完全连接层的激活功能,作为字符向量或字符向量的单元阵列,具有此表的值。据/p>
价值据/th> | 描述据/th> |
---|---|
'relu'据/code> |
整流线性单元(RELU)函数 - 执行输入的每个元素,其中任何小于零值被设置为零,即上阈值操作,据/p>
|
'tanh'据/code> |
双曲切线(正切)功能 - 应用据code class="function">塔尼据/code>函数到每个输入元素据/p> |
'sigmoid'据/code> |
Sigmoid函数 - 执行每个输入元素上的以下操作:据/p>
|
'没有任何'据/code> |
Identity函数 - 返回每个输入元素而不执行任何转换,即,据span class="inlineequation">F据/em>(据E.m class="varname">X据/em>)=据E.m class="varname">X据/em> |
如果据code class="argument">激活据/code>只包含一个激活功能,那么它是神经网络模型的每个完全连接层的激活功能,不包括最终完全连接的图层。最终完全连接图层的激活功能始终是软邮件(据code class="argument">OutputLayerActivation据/code>)。据/p>
如果据code class="argument">激活据/code>是活化函数数组,则据E.m class="varname">一世据/em>th元素是激活功能据E.m class="varname">一世据/em>神经网络模型的第i层。据/p>
数据类型:据/strong>char据/code>|据code>细胞据/code>
OutputLayerActivation据/code>
-据span itemprop="purpose">最终完全连接层的激活功能据/span>'softmax'据/code>
此属性是只读的。据/p>
用于最终完全连接层,返回作为激活函数据code class="literal">'softmax'据/code>。该函数的每个输入据E.m class="varname">X据sub>一世据/sub>并返回以下,其中据E.m class="varname">K.据/em>是响应变量中的类数:据/p>
结果对应于预测的分类评分(或后验概率)。据/p>
模特分析者据/code>
-据span itemprop="purpose">参数值用来训练模型据/span>NeuralNetworkParams据/code>目的据/span>
此属性是只读的。据/p>
参数值用于训练据code class="object">ClassificationneuralKetwork.据/code>模型,作为一个返回据code class="literal">NeuralNetworkParams据/code>目的。据code class="argument">模特分析者据/code>包含参数值,例如用于训练神经网络分类器的名称值参数。据/p>
访问属性据code class="argument">模特分析者据/code>通过使用点符号。例如,访问功能用于初始化一个模型的完全连接层的权重据code class="literal">MDL.据/code>通过使用据code class="literal">Mdl.ModelParameters.LayerWeightsInitializer据/code>。据/p>
融合税收据/code>
-据span itemprop="purpose">收敛信息据/span>此属性是只读的。据/p>
收敛信息,作为结构阵列返回。据/p>
场地据/th> | 描述据/th> |
---|---|
迭代据/code> |
用于训练神经网络模型的培训迭代次数据/td> |
培训俱乐部据/code> |
培训返回模型的跨熵损失,或据code class="literal">RERUBLOS(MDL,'LOADFUN','forrorentropy')据/code>对于模型据code class="literal">MDL.据/code> |
坡度据/code> |
损耗函数的梯度相对于重量和偏置在与返回的返回相对应的迭代据/td> |
步据/code> |
在迭代对应返回模型步长据/td> |
时间据/code> |
所有迭代的总时间(以秒为单位)据/td> |
验证录据/code> |
验证交叉熵为返回的模型损失据/td> |
ValidationChecks据/code> |
验证丢失大于或等于最小验证损耗的最大次数据/td> |
换货据/code> |
收敛标准据/td> |
历史据/code> |
看据a href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html" class="intrnllnk">TrainingHistory据/code> |
数据类型:据/strong>塑造据/code>
TrainingHistory据/code>
-据span itemprop="purpose">培训历史据/span>此属性是只读的。据/p>
培训历史,作为桌子返回。据/p>
柱子据/th> | 描述据/th> |
---|---|
迭代据/code> |
训练迭代据/td> |
培训俱乐部据/code> |
在此迭代培训模型的跨熵损失据/td> |
坡度据/code> |
损失函数在此迭代的重量和偏差方面的梯度据/td> |
步据/code> |
在此迭代的步骤尺寸据/td> |
时间据/code> |
在此迭代期间花了时间(以秒为单位)据/td> |
验证录据/code> |
在此迭代验证模型的跨熵损耗据/td> |
ValidationChecks据/code> |
运行验证损失大于或等于最小验证损耗的总数据/td> |
数据类型:据/strong>桌子据/code>
求解据/code>
-据span itemprop="purpose">求解器用于训练神经网络模型据/span>'lbfgs'据/code>
此属性是只读的。据/p>
求解用于训练神经网络模型,返回据code class="literal">'lbfgs'据/code>。创建一个据code class="object">ClassificationneuralKetwork.据/code>模型,据code class="function">Fitcnet.据/code>使用有限的内存泡沫扇球 - 甘菲尔布 - 桑诺准牛顿算法(LBFG)作为其损耗函数最小化技术,其中软件最小化了跨熵损失。据/p>
PredictorNames据/code>
-据span itemprop="purpose">预测器变量名称据/span>此属性是只读的。据/p>
预测器变量名,返回作为字符向量的单元阵列。元素的顺序据code class="literal">PredictorNames据/code>对应于预测器名称在训练数据中出现的顺序。据/p>
数据类型:据/strong>细胞据/code>
分类预测器据/code>
-据span itemprop="purpose">分类预测指标据/span>[]据/code>
此属性是只读的。据/p>
分类预测器指数,作为正整数的向量返回。假设预测器数据包含行中的观察,据code class="literal">分类预测器据/code>包含对应于包含分类预测所述预测数据的列的索引值。如果没有预测的是分类的,则此属性是空的(据code class="literal">[]据/code>)。据/p>
数据类型:据/strong>双倍的据/code>
ExpandedPredictorNames据/code>
-据span itemprop="purpose">扩展预测名称据/span>此属性是只读的。据/p>
扩展的预测名称名称,作为字符向量的单元格数组返回。如果模型使用对分类变量的编码,那么据code class="literal">ExpandedPredictorNames据/code>包括描述扩展变量的名称。除此以外,据code class="literal">ExpandedPredictorNames据/code>是相同的据code class="literal">PredictorNames据/code>。据/p>
数据类型:据/strong>细胞据/code>
X据/code>
-据span itemprop="purpose">非标准预测据/span>此属性是只读的。据/p>
用于训练神经网络模型的非标准化预测器,作为数字矩阵或表返回。据code class="literal">X据/code>保留其原始方向,在行或列中的观察,这取决于值的值据code class="argument">观察结果据/code>在调用的名称 - 值参数据code class="function">Fitcnet.据/code>。据/p>
数据类型:据/strong>单身的据/code>|据code>双倍的据/code>|据code>桌子据/code>
Classnames.据/code>
-据span itemprop="purpose">独特的类名据/span>此属性是只读的。据/p>
在训练中使用唯一的类名,返回为数值向量,分类矢量,逻辑向量,字符数组,或字符向量的单元阵列。据code class="literal">Classnames.据/code>具有与类标签相同的数据类型据code class="argument">y据/code>。据span>(该软件将字符串数组视为字符向量的单元格阵列。)据/span> 数据类型:据/strong>Classnames.据/code>还确定了类顺序。据/p>
单身的据/code>|据code>双倍的据/code>|据code>分类据/code>|据code>逻辑据/code>|据code>char据/code>|据code>细胞据/code>
ractraceame.据/code>
-据span itemprop="purpose">响应变量名称据/span>此属性是只读的。据/p>
响应变量名称,作为字符向量返回。据/p>
数据类型:据/strong>char据/code>
y据/code>
-据span itemprop="purpose">类标签据/span>此属性是只读的。据/p>
类标签用于训练模型,返回为数值向量,分类矢量,逻辑向量,字符数组,或字符向量的单元阵列。据code class="literal">y据/code>具有与用于训练模型的响应变量相同的数据类型。据span>(该软件将字符串数组视为字符向量的单元格阵列。)据/span>
每一排据code class="literal">y据/code>表示相应观察的分类据code class="argument">X据/code>。据/p>
数据类型:据/strong>单身的据/code>|据code>双倍的据/code>|据code>分类据/code>|据code>逻辑据/code>|据code>char据/code>|据code>细胞据/code>
numobservations.据/code>
-据span itemprop="purpose">观察次数据/span>此属性是只读的。据/p>
观察存储在训练数据数据code class="argument">X据/code>和据code class="argument">y据/code>,返回正数字标量。据/p>
数据类型:据/strong>双倍的据/code>
流浪据/code>
-据span itemprop="purpose">在安装使用的行据/span>[]据/code>
|据span itemprop="inputvalue">逻辑矢量据/span>此属性是只读的。据/p>
在拟合模型中使用的原始训练数据的行,则返回作为逻辑矢量。如果使用所有行此属性是空的。据/p>
数据类型:据/strong>逻辑据/code>
W.据/code>
-据span itemprop="purpose">观察权重据/span>此属性是只读的。据/p>
观察权重用来训练模型,返回一个据E.m class="varname">N据/em>×1数值向量。据E.m class="varname">N据/em>是观察人数(据code class="argument">numobservations.据/code>)。据/p>
该软件标准化在指定的观察权重据code class="argument">重量据/code>名称 - 值参数,这样的元素据code class="literal">W.据/code>在特定类中,总结该类的先前概率。据/p>
数据类型:据/strong>单身的据/code>|据code>双倍的据/code>
成本据/code>
-据span itemprop="purpose">误分类代价据/span>此属性是只读的。据/p>
错误分类成本,作为数字矩阵返回,在哪里据code class="literal">成本(i,j)据/code>是将一个点分类为课程的成本据code class="literal">j据/code>如果它的真实课程是据code class="literal">一世据/code>。成本矩阵始终具有此表格:据code class="literal">成本(i,j)= 1据/code>如果据code class="literal">我〜= j据/code>, 和据code class="literal">成本(i,j)= 0据/code>如果据code class="literal">我= J.据/code>。行对应于真实类,列对应于预测类。行和列的顺序据code class="argument">成本据/code>对应于类的顺序据code class="argument">Classnames.据/code>。据/p>
数据类型:据/strong>双倍的据/code>
事先的据/code>
-据span itemprop="purpose">先前概率据/span>此属性是只读的。据/p>
每个类的先前概率,作为数字向量返回。元素的顺序据code class="argument">事先的据/code>对应于元素据code class="argument">Classnames.据/code>。据/p>
数据类型:据/strong>双倍的据/code>
ScoreTransform据/code>
-据span itemprop="purpose">得分变换据/span>分数转换,指定为字符向量或功能句柄。据code class="literal">ScoreTransform据/code>表示用于转换预测分类分数的内置变换函数或功能手柄。据/p>
更改分数转换功能据E.m class="replaceable"> 对于内置函数,输入字符向量。据/p>
此表介绍了可用的内置功能。据/p>
对于matlab.据sup>®据/sup>函数或定义的函数输入其功能句柄。据/p>
数据类型:据/strong>功能据/code>例如,使用点表示法。据/p>
mdl.scoretransform ='据E.m class="replaceable">功能据/em>'据/pre>
价值据/th>
描述据/th>
'doublelogit'据/code>
1 /(1 +据E.m class="varname">E.据/em>-2据E.m class="varname">X据/em>)据/td>
'invlogit'据/code>
日志(据E.m class="varname">X据/em>/(1 -据E.m class="varname">X据/em>)))据/td>
'ismax'据/code>
将具有最大分数的类设置为1的分数,并将所有其他类的分数设置为0据/td>
'logit'据/code>
1 /(1 +据E.m class="varname">E.据/em>-据E.m class="varname">X据/em>)据/td>
'没有任何'据/code>或者据code class="literal">'身份'据/code>
X据/em>(没有转型)据/td>
'标志'据/code>
-1 for.据E.m class="varname">X据/em><0据br>0据E.m class="varname">X据/em>= 0.据br>1据E.m class="varname">X据/em>> 0据/td>
'对称'据/code>
2据E.m class="varname">X据/em>- 1据/td>
'ymmetricismax'据/code>
将具有最大分数为1的类设置分数,并将所有其他类的分数设置为-1据/td>
'symmetriclogit'据/code>
2 /(1 +据E.m class="varname">E.据/em>-据E.m class="varname">X据/em>) - 1据/td>
Mdl.ScoreTransform = @据E.m class="replaceable">功能据/em>;据/pre>
功能据/code>
必须接受矩阵(原始分数)并返回相同大小的矩阵(转换的分数)。据/p>char据/code>|据code>function_handle.据/code>
袖珍的据/code> |
减少机器学习模型的尺寸据/td> |
CompareHoldout.据/code> |
使用新的数据的两个分类模型的精度比较据/td> |
横梁据/code> |
交叉验证机器学习模型据/td> |
边缘据/code> |
神经网络分类器的分类边据/td> |
损失据/code> |
神经网络分类器的分类损失据/td> |
利润据/code> |
神经网络分类器的分类边距据/td> |
部分竞争据/code> |
计算部分依赖据/td> |
绘图竞争依赖性据/code> |
创建部分依赖图(PDP)和个人有条件期望(ICE)情节据/td> |
预测据/code> |
分类观察采用神经网络分类据/td> |
重新提交据/code> |
重新提交分类边缘据/td> |
resubloss.据/code> |
重新提交分类损失据/td> |
重新提交据/code> |
重新取款分类保证金据/td> |
重新预订据/code> |
使用培训的分类器对培训数据进行分类据/td> |
训练神经网络分类器,并评估对测试集的分类器的性能。据/p>
读取示例文件据code class="literal">CreditRating_Historical.dat据/code>进入桌子。预测因素数据包括资金比率和行业部门信息,以获取公司客户名单。响应变量包括评级机构指定的信用评级。预览数据集的前几行。据/p>
信用=可读性(据span style="color:#A020F0">“Credenrating_historical.dat”据/span>);头(信用)据/pre>
ans =.据span class="emphasis">8×8的表据/em>ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA工业评分_____ ______ ______ _______ ________ _____ ________ _______ 62394 0.013 0.104 0.036 0.447 0.142 3 { 'BB'} 48608 0.232 0.335 0.062 1.969 0.281 8 { 'A'} 42444 0.311 0.367 0.074 1.935 0.366 1 {'A'} 48631 0.194 0.263 0.062 1.017 0.228 4 {' BBB '} 43768 0.121 0.413 0.057 3.647 0.466 12 {' AAA '} 39255 -0.117 -0.799 0.01 0.179 0.082 4 {' CCC '} 62236 0.087 0.158 0.049 0.816 0.324 2 {' BBB'} 39354 0.005 0.181 0.034 2.597 0.388 7 {' AA”}据/pre>
因为在每个值据code class="literal">ID据/code>变量是一个独特的客户ID,即,据code class="literal">长度(唯一(信用)))据/code>等于观察的数量据code class="literal">信用评级据/code>, 这据code class="literal">ID据/code>变量是一个糟糕的预测因子。去除那个据code class="literal">ID据/code>从表变量,并转换据code class="literal">行业据/code>变量一据code class="literal">分类据/code>多变的。据/p>
信用=删除Vars(信用,据span style="color:#A020F0">“ID”据/span>);Creditrating.Industry =分类(Creditrating.Industry);据/pre>
转换据code class="literal">评分据/code>响应变量到序数据code class="literal">分类据/code>多变的。据/p>
信用。=分类(信用。,据span style="color:#0000FF">......据/span>[据span style="color:#A020F0">“aaa”据/span>那据span style="color:#A020F0">“aa”据/span>那据span style="color:#A020F0">“一种”据/span>那据span style="color:#A020F0">“BBB”据/span>那据span style="color:#A020F0">“bb”据/span>那据span style="color:#A020F0">“b”据/span>那据span style="color:#A020F0">“CCC”据/span>],据span style="color:#A020F0">“序数”据/span>,真的);据/pre>
将数据分区为培训和测试集。使用大约80%的观察观察来培训一个神经网络模型,20%的观察结果测试在新数据上测试训练有素的模型的性能。用据code class="literal">CVPartition.据/code>分区数据。据/p>
RNG(据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">分区再现性的%据/span>C = cvpartition(creditrating.Rating,据span style="color:#A020F0">“坚持”据/span>,0.20);TrainingIndices =培训(C);据span style="color:#228B22">培训集的%指数据/span>testIndices =试验(c)中;据span style="color:#228B22">测试集的%索引据/span>CreditTrain =信用(培训,:);抵押债权=信用(testindices,:);据/pre>
通过传递培训数据列车训练神经网络分类器据code class="literal">creditTrain据/code>到了据code class="literal">Fitcnet.据/code>功能。据/p>
mdl = fitcnet(信用箱,据span style="color:#A020F0">“评分”据/span>)据/pre>
MDL = ClassificationNeuralNetwork PredictorNames:{ 'WC_TA' 'RE_TA' 'EBIT_TA' 'MVE_BVTD' 'S_TA' '工业'} ResponseName: '评分' CategoricalPredictors:6类名:[AAA AA A BBB BB乙CCC] ScoreTransform: '无' NumObservations:3146 LayerSizes:10的激活: 'RELU' OutputLayerActivation: 'SOFTMAX' 求解: 'LBFGS' ConvergenceInfo:[1×1结构] TrainingHistory:[1000×7表]的属性,方法据/pre>
通过计算测试集的分类错误评估的测试集的分类器的性能。通过使用混淆矩阵可视化的结果。据/p>
MDL.据/code>是训练有素的据code class="literal">ClassificationneuralKetwork.据/code>分类器。您可以使用DOT表示法访问属性据code class="literal">MDL.据/code>。例如,您可以指定据code class="literal">mdl.traininghistory.据/code>获取有关神经网络模型的培训历史的更多信息。据/p>
testAccuracy = 1 - 损失(MDL,creditTest,据span style="color:#A020F0">“评分”据/span>那据span style="color:#0000FF">......据/span>“lockfun”据/span>那据span style="color:#A020F0">“classiferror”据/span>)据/pre>
testaccuracy = 0.8003据/pre>
ConfusionChart(抵押,预测(MDL,抵押))据/pre>
指定神经网络分类器的结构,包括完全连接层的大小。据/p>
加载据code class="literal">电离层据/code>数据集,包括雷达信号数据。据code class="literal">X据/code>包含预测数据,以及据code class="literal">y据/code>是响应变量,它们的值表示是好(“G”)或差(“B”)的雷达信号。据/p>
加载据span style="color:#A020F0">电离层据/span>
分隔数据为训练数据(据code class="literal">XTrain.据/code>和据code class="literal">YTrain据/code>)和测试数据(据code class="literal">XTest.据/code>和据code class="literal">ytest.据/code>)通过使用分层坚持分区。储备用于测试的观察约30%,并用观察的其余部分进行训练。据/p>
RNG(据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">分区再现性的%据/span>cvp = cvpartition(y,据span style="color:#A020F0">“坚持”据/span>,0.3);XTrain = X(训练(CVP),:);YTrain = Y(培训(CVP));xtest = x(测试(cvp),:);YTEST = Y(测试(CVP));据/pre>
训练神经网络分类器。指定在第一个完全连接的图层中具有35个输出,并在第二完全连接的层中输出20个输出。默认情况下,两层都使用整流的线性单元(Relu)激活功能。您可以使用该方法更改完全连接的图层的激活函数据code class="literal">激活据/code>名称值参数。据/p>
mdl = fitcnet(Xtrain,Ytrain,据span style="color:#0000FF">......据/span>“LayerSizes”据/span>,[35 20])据/pre>
mdl = classificationneuralnetwork racodername:'y'pationoricalpricictors:[] classNames:{'B'G'} ScorEtransform:'无'NumObServations:246 Dropersizes:[35 20]激活:'relu'outputlayEractivation:'softmax'求解器:'lbfgs'ColouchgenceInfo:[1×1结构]培训厅:[47×7表]属性,方法据/pre>
通过使用接入用于训练的分类器的完全连接层中的重量和偏见据code class="literal">层次重量据/code>和据code class="literal">二层谬误据/code>的性质据code class="literal">MDL.据/code>。每个属性的前两个元素对应于前两个完全连接的层的值,第三元素对应于最终完全连接层的值,具有用于分类的软MAX激活功能。例如,显示第二完全连接层的权重和偏置。据/p>
mdl.layerweights {2}据/pre>
ans =.据span class="emphasis">20×35.据/em>0.0481 0.2501 -0.1535 -0.0934 0.0760 -0.0579 -0.2465 1.0411 0.3712 -1.2007 1.1162 0.4296 0.4045 0.5005 0.8839 0.4624 -0.3154 0.3454 -0.0487 0.2648 0.0732 0.5773 0.4286 0.0881 0.9468 0.2981 0.5534 1.0518 -0.0224 0.6894 0.5527 0.7045 -0.6124 0.2145 -0.0790 -0.9489 -1.8343 0.5510-0.5751 -0.8726 0.8815 0.0203 -1.6379 2.0315 1.7599 -1.4153 -1.4335 -1.1638 -0.1715 1.1439 -0.7661 1.1230 -1.1982 -0.5409 -0.5821 -0.0627 -0.7038 -0.0817 -1.5773 -1.4671 0.2053 -0.7931 -1.6201 -0.1737 -0.7762 -0.3063 -0.。8771 1.5134 -0.4611 -0.0649 -0.1910 0.0246 -0.3511 0.0097 0.3160 -0.0693 0.2270 -0.0783 -0.1626 -0.3478 0.2765 0.4179 0.0727 -0.0314 -0.1798 -0.0583 0.1375 -0.1876 0.2518 0.2137 0.1497 0.0395 0.2859 -0.0905 0.4325 -0.2012 0.0388 -0.1441 -0.1431 -0.0249 -0.2200 0.0860 -0.2076 0.0132 0.1737 -0.0415 -0.0059 -0.0753 -0.1477 -0.1621 -0.1762 0.2164 0.1710 -0.0610 -0.1402 0.1452 0.2890 0.2872 -0.2616 -0.4204 -0.2831 -0.1901 0.0036 0.0781 -0.0826 0.1588 -0.2782 0.2510 -0.1069 -0.2692 0.2306 0.2521 0.0306 0.2524 -0.4218 0.2478 0.2343 -0.1031 0.1037 0.1598 1.1848 1.6142 -0.1352 0.5774 0.5491 0.0103 0.0209 0.7219 -0.8643 -0.5578 1.3595 1.5385 1.0015 0.7416 -0.4342 0.2279 0.5667 1.1589 0.7100 0.1823 0.4171 0.7051 0.0794 1.3267 1.2659 0.3197 0.3947 0.3436 -0.1415 0.6607 1.0071 0.7726 -0.2840 0.8801 0.0848 0.2486 -0.2920 -0.0004 0.2806 0.2987 -0.2709 0.1473 -0.2580 -0.0499 -0.0755 0.2000 0.1535 -0.0285 -0.0520 -0.2523 -0.2505 -0.0437 -0.2323 0.2023 0.2061 -0.1365 0.0744 0.0344 -0.2891 0.2341 -0.1556 0.1459 0.2533 -0.0583 0.0243 -0.2949 -0.1530 0.1546 -0.0340 -0.1562 -0.0516 0.0640 0.1824 -0.0675 -0.2065 -0.0052 -0.1682 -0.1520 0.0060 0.0450 0.0813 -0.0234 0.0657 0.3219 -0.1871 0.0658 -0.2103 0.0060 -0.2831 -0.1811 -0.0988 0.2378 -0.0761 0.1714 -0.1596 -0.0011 0.0609 0.4003 0.3687 -0.2879 0.0910 0.0604 -0.2222 -0.2735 -0.1155 -0.6192 -0.7804 -0.0506 -0.4205 -0.2584 -0.2020 -0.0008 0.0534 1.0185 -0.0307 -0.0539 -0.2020 0.0368 -0.1847 0.0886 -0.4086 -0.4648 -0.3785 0.1542 -0.5176 -0.3207 0.1893 -0.0313 -0.5297 -0.1261 -0.2749 -0.6152 -0.5914 -0.3089 0.2432 -0.3955 -0.1711 0.1710 -0.4477 0.0718 0.5049 -0.1362 -0.2218 0.1637 -0.1282 -0.1008 0.1445 0.4527 -0.4887 0.0503 0.1453 0.1316 -0.3311 -0.1081 -0.7699 0.4062 -0.1105 -0.0855 0.0630 -0.1469 -0.2533 0.3976 0.0418 0.5294 0.3982 0.1027 -0.0973 -0.1282 0.2491 0.0425 0.0533 0.1578 -0.8403 -0.0535 -0.0048 1.1109 -0.0466 0.4044 0.6366 0.1863 0.5660 0.2839 0.8793 -0.5497 0.0057 0.3468 0.0980 0.3364 0.4669 0.1466 0.7883 -0.1743 0.4444 0.4535 0.1521 0.7476 0.2246 0.4473 0.2829 0.8881 0.4666 0.6334 0.3105 0.9571 0.2808 0.6483 0.1180 -0.4558 1.2486 0.2453 ⋮据/pre>
Mdl.LayerBiases {2}据/pre>
ans =.据span class="emphasis">20×1据/em>0.6147 0.1891 -0.2767 -0.2977 1.3655 0.0347 0.1509 -0.4839 -0.3960 0.9248⋮据/pre>
最终完全连接的层具有两个输出,一个用于响应变量中的每个类。层输出的数量对应于层权重和层偏置的第一维度。据/p>
大小(mdl.layerweights {结束})据/pre>
ans =.据span class="emphasis">1×2据/em>2 20.据/pre>
大小(Mdl.LayerBiases {端})据/pre>
ans =.据span class="emphasis">1×2据/em>2 1据/pre>
为了估计训练的分类器的性能,计算的测试集分类错误据code class="literal">MDL.据/code>。据/p>
testError =损失(MDL,XTEST,YTEST,据span style="color:#0000FF">......据/span>“lockfun”据/span>那据span style="color:#A020F0">“classiferror”据/span>)据/pre>
testerror = 0.0774.据/pre>
精度= 1 - TestError据/pre>
精度= 0.9226.据/pre>
MDL.据/code>准确地分类在测试组的观察大约92%。据/p>
ClassificationededModel.据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">CompactClassificationneAuralKetwork.据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">边缘据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">Fitcnet.据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">损失据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">利润据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测据/code>
您单击了与此MATLAB命令对应的链接:据/p>
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx据/p>
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:据strong class="recommended-country">。据/p> 选择据span class="recommended-country">网站据/a>
您还可以从以下列表中选择一个网站:据/p>
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。据/p>