このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
ClassIciationneuralNetwork.
分類用のニューラルネットワークモデル
说明
ClassIciationneuralNetwork.オブジェクトは，分享用の全全の习习済みフィードニューラルネットワークネットワークネットワーク。ニューラルニューラルネットワークの最初のの全全全全全ネットワークネットワーク重（X)からの結合があり,後続の各層には前の層からの結合があります。各全結合層では,入力に重み行列(层次重量)が乗算されてからバイアスベクトル(百分比）が加入さますます。各各掺入层の后に活性活性活性活性活性活性活性活性激活およびOutputLayerActivation)が続きます。最終全結合層とそれに続くソフトマックス活性化関数によってネットワークの出力,つまり分類スコア(事後確率)および予測ラベルが生成されます。詳細については,ニューラルネットワークの構造を参照してください。
作成
ClassIciationneuralNetwork.オブジェクトの作成にはFitcnet.を使用します。
プロパティ
オブジェクト关节
紧凑的 |
機械学習モデルのサイズの縮小 |
CompareSheut. |
新しいデータを使用して2つの分類モデルの精度を比較 |
横梁 |
机械学习モデルの交差検证 |
边缘 |
ニューラルネットワーク分類器の分類エッジ |
损失 |
ニューラルネットワーク分类器材の分享损失 |
保证金 |
ニューラルネットワーク分类器材の分享マージン |
部分竞争 |
部分従属の計算 |
plotPartialDependence |
部分依存プロット(PDP)および個別条件付き期待値(ICE)プロットの作成 |
预测 |
ニューラルネットワーク分類器を使用した観測値の分類 |
重新提交 |
再代入分類エッジ |
resubloss. |
再代入分類損失 |
resubMargin |
再代入分類マージン |
重新预订 |
学習済み分類器を使用した学習データの分類 |
例
ニューラルネットワーク分类器材
ニューラルネットワーク分類器に学習させ,検定セットで分類器の性能を評価します。
標本ファイルCreditRating_Historical.datを表に読み取ります。予測子データは,法人顧客リストの財務比率と業種の情報で構成されます。応答変数は,格付機関が割り当てた格付けから構成されます。データセットの最初の数行をプレビューします。
信用=可读性（“CreditRating_Historical.dat”）;头（信用）
ans =8×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级 _____ ______ ______ _______ ________ _____ ________ _______ 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的}43768 0.121 0.413 0.057 3.647 0.466 39255 {' AAA '}-0.117 - 0.118 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 '}
変IDの各値は一意の顾客顾客ため（つまり，长度（唯一（信用）））はcreditratingに含まれる観測値の数に等しい),変数IDは予測子としては適切ではありません。変IDを表から削除し,変数行业を分类変数に変換します。
creditrating = removevars (creditrating,“ID”）;creditrating。行业=分类（creditrating。行业）;
応答変数评分を順序分类変数に変換します。
creditrating。评分=分类（creditrating。评级,．..[“AAA”那“aa”那“一个”那" BBB "那“bb”那“B”那“CCC”]，“序数”,真正的);
データを学習セットと検定セットに分割します。観測値の約80%をニューラルネットワークモデルの学習に使用し,観測値の約20%を学習済みモデルの新しいデータでの性能の検定に使用します。CVPartition.をを用してデータををししし。
rng (“默认”的）分区再现性的％c = cvpartition (creditrating。评级,“坚持”, 0.20);trainingIndices =培训(c);%训练集指标testIndices =测试(c);测试集的％索引CreditTrain =信用（培训，:);抵押债权=信用（testindices，:);
学習データcreditTrainを关节Fitcnet.に渡して,ニューラルネットワーク分類器に学習させます。
Mdl = fitcnet (creditTrain,“评级”的）
Mdl = ClassificationNeuralNetwork PredictorNames:{‘WC_TA’‘RE_TA’‘EBIT_TA’‘MVE_BVTD’‘S_TA’‘工业’}ResponseName:“评级”CategoricalPredictors: 6类名:(AAA AA BBB BB B CCC) ScoreTransform:“没有一个”NumObservations: 3146 LayerSizes: 10激活:“relu”OutputLayerActivation:“softmax”解算器:“LBFGS”ConvergenceInfo:[1×1 struct] TrainingHistory: [1000×7 table]属性，方法
Mdlは学習させたClassIciationneuralNetwork.分類器です。ドット表記を使用してMdlののプロパティにアクセスできできたとえば，Mdl。TrainingHistoryと指定すると,ニューラルネットワークモデルの学習履歴についての詳細情報を取得できます。
検定列て，検定セットでて。
testAccuracy = 1 - loss(Mdl,creditTest，“评级”那．..“lockfun”那“classiferror”的）
testaccuracy = 0.8003
ConfusionChart（抵押，预测（MDL，抵押））
ニューラルネットワーク分類器のアーキテクチャの指定
全结合层のサイズなど，ニューラルネットワーク分类器の构造を指定します。
レーダー信号のデータを含む电离层データセットを読み込みます。Xにに子データが格式されて，応答応答数のy信号が好（“g”）か不宜（“b”）かを表す値が格式されます。
加载电离层
層化ホールドアウト分割を使用して,データを学習データ(XTrainおよびYTrain）と検定データ（XTestおよびytest.)に分割します。観測値の約30%を検定用に予約し,残りの観測値を学習に使用します。
rng (“默认”的）分区再现性的％cvp = cvpartition（y，“坚持”, 0.3);XTrain = X(培训(cvp):);YTrain = Y(培训(cvp));XTest = X(测试(cvp):);欧美= Y(测试(cvp));
ニューラルネットワーク分類器に学習させます。最初の全結合層の出力数を35岁2番目の全結合層の出力数を20に指定します。既定では,どちらの層でも正規化線形ユニット(ReLU)活性化関数が使用されます。全結合層の活性化関数は,名前と値の引数激活をを用して変更できます。
Mdl = fitcnet (XTrain YTrain,．..“LayerSizes”20 [35])
mdl = classificationneuralnetwork ractoryname：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'none'numobservations：246 dlyersizes：[35 20]激活：'relu'outputlayerastivation：'softmax'求解器：'lbfgs'ConvergenceInfo：[1×1结构]培训厅：[47×7表]属性，方法
Mdlの层次重量プロパティと百分比プロパティを使用して,学習させた分類器の全結合層の重みとバイアスにアクセスします。各プロパティの最初の2つの要素が最初の2つの全結合層の値に対応し,3番目の要素が分類用のソフトマックス活性化関数をもつ最終全結合層の値に対応します。たとえば2番目の全結合層の重みとバイアスを表示します。
mdl.layerweights {2}
ANS =.20×35.0.0481 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 1.4153 -1.4335-1.1638 -0.1715 - 0.1439 -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 0.2137 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 ⋮
Mdl。LayerBiases {2}
ANS =.20×10.6147 0.1891 -0.2767 -0.2977 1.3655 0.0347 0.1509 -0.4839 -0.3960 0.9248⋮
〖图库以来“
大小(Mdl.LayerWeights{结束})
ANS =.1×22 20.
大小(Mdl.LayerBiases{结束})
ANS =.1×2２ １
学習させた分類器の性能を推定するには,Mdlの検定セットの分类误差を计算します。
testError =损失(Mdl XTest,欧美,．..“lockfun”那“classiferror”的）
testerror = 0.0774
精度= 1 - TestError
精度= 0.9226
Mdlで検定セットの観測値の約92%が正確に分類されています。
您还可以从以下列表中选择一个网站：
