预测
利用神经网络分类器对观测数据进行分类
描述
例子
利用神经网络对测试集观测值进行分类
使用神经网络分类器预测测试集观察值的标签。
加载病人数据集。从数据集创建一个表。每一行对应一个病人，每列对应一个诊断变量。使用吸烟者变量作为响应变量，其余变量作为预测变量。
负载病人台=表(舒张压、收缩压、性别、身高、体重、年龄、吸烟);
将数据分离到一个训练集中tblTrain还有一个测试集tblTest通过使用分层压痕分区。该软件为测试数据集保留了大约30%的观察数据，并将其余的观察数据用于训练数据集。
rng (“默认”）分区的可重复性c = cvpartition(资源描述。抽烟,“坚持”, 0.30);trainingIndices =培训(c);testIndices =测试(c);tblTrain =(资源(trainingIndices:);tblTest =(资源(testIndices:);
使用训练集训练神经网络分类器。指定吸烟者列的tblTrain作为响应变量。指定以标准化数值预测器。
Mdl = fitcnet (tblTrain,“抽烟”，.．.“标准化”,真正的);
对测试集观测值进行分类。使用混淆矩阵可视化结果。
标签=预测(Mdl tblTest);confusionchart (tblTest.Smoker、标签)
神经网络模型正确地分类了除了两个测试集观测数据之外的所有数据。
选择要包含在神经网络分类器中的特征
通过比较测试集分类裕度、边、误差和预测来执行特征选择。比较使用所有预测器训练的模型的测试集指标与仅使用预测器的子集训练的模型的测试集指标。
加载示例文件fisheriris.csv，其中包含虹膜的数据，包括萼片长度、萼片宽度、花瓣长度、花瓣宽度和物种类型。将文件读入表中。
fishertable = readtable (“fisheriris.csv”）;
将数据分离到一个训练集中trainTbl还有一个测试集testTbl通过使用分层压痕分区。该软件为测试数据集保留了大约30%的观察数据，并将其余的观察数据用于训练数据集。
rng (“默认”c = cvpartition(fishtable .)物种,“坚持”, 0.3);trainTbl = fishertable(培训(c):);testTbl = fishertable(测试(c):);
用训练集中的所有预测器训练一个神经网络分类器，并用训练集中的所有预测器训练另一个分类器PetalWidth．对于这两个模型，指定物种作为响应变量，并标准化预测器。
allMdl = fitcnet (trainTbl,“物种”，“标准化”,真正的);subsetMdl = fitcnet (trainTbl,“物种~ SepalLength + SepalWidth + PetalLength”，.．.“标准化”,真正的);
计算两个模型的测试集分类裕度。因为测试集只包含45个观察结果，所以使用条形图显示边界。
对于每个观察，分类裕度是真实类的分类得分与虚假类的最大得分之间的差值。因为神经网络分类器返回的分类分数是后验概率，接近1的裕度值表示有信心的分类，负的裕度值表示分类错误。
tiledlayout (2, 1)%顶轴ax₁= nexttile;allMargins =利润率(allMdl testTbl);栏(ax₁,allMargins)包含(ax₁“观察”) ylabel (ax₁,“保证金”)标题(ax₁,“预测”）%底部轴ax2 = nexttile;subsetMargins =利润率(subsetMdl testTbl);栏(ax2 subsetMargins)包含(ax2,“观察”) ylabel (ax2,“保证金”)标题(ax2,“子集预测”）
比较两个模型的测试集分类边，或分类边的平均值。
allEdge =边缘(allMdl testTbl)
allEdge = 0.8198
subsetEdge =边缘(subsetMdl testTbl)
subsetEdge = 0.9556
基于测试集分类边和边，在一个预测因子子集上训练的模型似乎优于在所有预测因子上训练的模型。
比较两种模型的测试集分类误差。
allError =损失(allMdl testTbl);allAccuracy = 1-allError
allAccuracy = 0.9111
subsetError =损失(subsetMdl testTbl);subsetAccuracy = 1-subsetError
subsetAccuracy = 0.9778
同样，只使用一个预测器子集训练的模型似乎比使用所有预测器训练的模型表现更好。
使用混淆矩阵可视化测试集分类结果。
allLabels =预测(allMdl testTbl);图confusionchart (testTbl.Species allLabels)标题(“预测”）
subsetLabels =预测(subsetMdl testTbl);图confusionchart (testTbl.Species subsetLabels)标题(“子集预测”）
使用所有预测因子训练的模型错误分类了四个测试集的观察值。使用预测器子集训练的模型只对测试集观察结果中的一个进行了错误分类。
考虑到这两个模型的测试集性能，考虑使用使用所有预测器训练的模型PetalWidth．
神经网络分类器的分层结构预测
了解神经网络分类器的层如何一起工作，以预测单个观察的标签和分类分数。
加载示例文件fisheriris.csv，其中包含虹膜的数据，包括萼片长度、萼片宽度、花瓣长度、花瓣宽度和物种类型。将文件读入表中。
fishertable = readtable (“fisheriris.csv”）;
使用数据集训练神经网络分类器。指定物种列的fishertable作为响应变量。
Mdl = fitcnet (fishertable,“物种”）;
从数据集中选择第15个观测值。看看神经网络分类器的层如何接受观察并返回预测的类标签newPointLabel和分类的分数newPointScores．
newPoint = Mdl。X{15日:}
newPoint =1×45.8000 4.0000 1.2000 0.2000
firstFCStep = (Mdl.LayerWeights{1})*newPoint' + mdl . layerbias {1};reluStep = max (firstFCStep, 0);finalFCStep = (mll . layerweights {end})*reluStep + mll . layerbias {end};finalSoftmaxStep = softmax (finalFCStep);[~, classIdx] = max (finalSoftmaxStep);newPointLabel = Mdl。一会{classIdx}
newPointLabel = ' setosa '
newPointScores = finalSoftmaxStep '
newPointScores =1×31.0000 0.0000 0.0000
方法返回的预测是否匹配预测对象的功能。
[predictedLabel, predictedScores] =预测(Mdl newPoint)
predictedLabel =1 x1单元阵列{' setosa '}
predictedScores =1×31.0000 0.0000 0.0000
输入参数
输出参数
更多关于
选择功能
仿真软件块
将神经网络分类模型的预测集成到Simulink中®，你可以使用ClassificationNeuralNetwork预测在统计和机器学习工具箱™库或MATLAB中®函数块中包含预测函数。有关示例,请参见使用分类神经网络预测块预测类标签和用MATLAB函数块预测类标签．
在决定使用哪种方法时，请考虑以下几点:
如果使用“统计和机器学习工具箱”库块，则可以使用定点的工具(定点设计师)将浮点模型转换为定点模型。
控件必须为MATLAB函数块启用对可变大小数组的支持
预测函数。如果使用MATLAB函数块，则可以使用MATLAB函数在同一个MATLAB函数块中进行预测前后的预处理或后处理。
扩展功能
版本历史
介绍了R2021a
您也可以从以下列表中选择网站: