ClassificationNeuralNetwork
分类的神经网络模型
描述
一个ClassificationNeuralNetwork对象是用于分类的训练、前馈和全连接的神经网络。神经网络的第一个完全连接层与网络输入(预测数据)有一个连接X)，每一层都与前一层有一个连接。每一个完全连接的层将输入乘以一个权值矩阵(LayerWeights)，然后添加偏差向量(LayerBiases）．每个完全连接的层后面都有一个激活函数(激活和OutputLayerActivation）．最后的全连接层和随后的softmax激活函数产生网络的输出，即分类分数(后验概率)和预测标签。有关更多信息，请参见神经网络结构．
创建
创建一个ClassificationNeuralNetwork对象的使用fitcnet．
特性
对象的功能
例子
训练神经网络分类器
训练神经网络分类器，并在测试集上评估分类器的性能。
读取示例文件信用评级进入桌子。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。
creditrating = readtable (“Credenrating_historical.dat”）;头(creditrating)
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 '}
因为ID变量是一个独特的客户ID，即，长度(独特(creditrating.ID))等于观察的数量信用评级,ID变量是一个很差的预测器。删除ID变量，并将行业变量,分类多变的。
信用=删除Vars（信用，“ID”）;Creditrating.Industry =分类（Creditrating.Industry）;
转换评级对序数的响应变量分类多变的。
信用。=分类（信用。，......［“aaa”，“AA”，“一个”，“BBB”，“BB”，“B”，“CCC”]，“顺序”，真的）;
将数据划分为训练集和测试集。使用大约80%的观测数据来训练神经网络模型，使用20%的观测数据来测试训练模型在新数据上的性能。使用cvpartition分区数据。
rng (“默认”）分区的再现性c=信用评级（creditrating.Rating，“坚持”，0.20）;TrainingIndices =培训（c）;培训集的％指数试验=试验（c）；%测试集索引creditTrain = creditrating (trainingIndices:);信贷= creditrating (testIndices:);
通过传递训练数据来训练神经网络分类器creditTrain到fitcnet函数。
mdl = fitcnet（信用箱，“评分”）
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是训练有素的ClassificationNeuralNetwork分类器。您可以使用DOT表示法访问属性Mdl．例如，可以指定mdl.traininghistory.获取更多关于神经网络模型训练历史的信息。
通过计算测试集分类错误来评估分类器在测试集上的性能。使用混淆矩阵将结果可视化。
testAccuracy = 1 - loss(Mdl,creditTest，“评分”，......“LossFun”，“classiferror”）
testAccuracy = 0.8003
信贷confusionchart (creditTest.Rating,预测(Mdl))
指定神经网络分类器结构
指定神经网络分类器的结构，包括全连接层的大小。
加载电离层数据集，包括雷达信号数据。X包含预测数据，并且Y是响应变量，其值代表好的(“g”)或坏的(“b”)雷达信号。
负载电离层
将数据分离为训练数据(XTrain.和钇)及测试数据(克斯特和欧美)通过使用分层坚持分区。保留约30%的观察值用于测试，并将其余观察值用于培训。
rng (“默认”）分区的再现性本量利= cvpartition (Y,“坚持”，0.3）;XTrain = X（训练（CVP），:);YTrain = Y（培训（CVP））;xtest = x（测试（cvp），:);YTEST = Y（测试（CVP））;
训练神经网络分类器。指定在第一个完全连接层有35个输出，在第二个完全连接层有20个输出。默认情况下，这两个层都使用一个整流线性单元(ReLU)激活功能。控件可以更改完全连接层的激活函数激活名称-值参数。
mdl = fitcnet（Xtrain，Ytrain，......“LayerSizes”，[35 20]）
Mdl = ClassificationNeuralNetwork ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 246 LayerSizes: [35 20] activation: 'relu' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [47×7 table]属性，方法
使用的方法获取训练分类器的全连接层的权重和偏差LayerWeights和LayerBiases的属性Mdl．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。
Mdl。LayerWeights {2}
ans =20×350.0481 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 ⋮
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⋮
最后的全连接层有两个输出，响应变量中的每个类都有一个输出。层输出的数量对应于层权重和层偏差的第一个维度。
大小(Mdl.LayerWeights{结束})
ans =1×22 20
大小(Mdl.LayerBiases{结束})
ans =1×2２ １
为了估计训练分类器的性能，计算测试集分类误差Mdl．
testError =损失（MDL，XTEST，YTEST，......“LossFun”，“classiferror”）
testError = 0.0774
准确度= 1 -测试误差
精度= 0.9226.
Mdl准确分类了测试集中大约92%的观测值。
你也可以从以下列表中选择一个网站:
