CompactClassificationNeuralNetwork

用于分类的紧凑神经网络模型

描述

CompactClassificationNeuralNetwork是紧凑型的ClassificationNeuralNetwork模型对象。紧凑模型不包括用于训练分类器的数据。因此，您不能使用紧凑模型执行一些任务，例如交叉验证。对于预测新数据的标签等任务，使用紧凑的模型。

创建

创建一个CompactClassificationNeuralNetwork对象从完整的ClassificationNeuralNetwork通过使用紧凑的．

属性

全部展开

神经网络属性

`LayerSizes`- - - - - -完全连接层的大小
正整数向量

此属性是只读的。

神经网络模型中完全连接层的大小，作为正整数向量返回。的我th元素LayerSizes输出的数量是我神经网络模型的全连通层。

LayerSizes不包括最终完全连接层的大小。这一层总是有K输出,K响应变量中的类数。

数据类型:单|双

`LayerWeights`- - - - - -学习层的重量
单元阵列

此属性是只读的。

学习了完全连接层的层权值，作为单元格数组返回。的我单元格数组中的条目对应于的层权重我完全连接层。例如,Mdl。LayerWeights {1}返回模型的第一个完全连接层的权值Mdl．

LayerWeights包括最终全连接层的权值。

数据类型:细胞

`LayerBiases`- - - - - -学习层的偏见
单元阵列

此属性是只读的。

学习了完全连接层的层偏差，作为单元格数组返回。的我单元格数组中的条目对应于的层偏差我完全连接层。例如,Mdl。LayerBiases {1}返回模型的第一个完全连接层的偏差Mdl．

LayerBiases包括最终全连接层的偏差。

数据类型:细胞

`激活`- - - - - -全连通层的激活功能
`“relu”`|`的双曲正切`|`“乙状结肠”`|`“没有”`|字符向量的单元格数组

此属性是只读的。

神经网络模型的全连接层的激活函数，作为具有该表值的字符向量或字符向量的单元格数组返回。

价值	描述
`“relu”`	整流线性单元(ReLU)函数—对输入的每个元素执行阈值操作，其中任何小于零的值都被设为零，即: $f （ x ）＝｛ \begin{matrix} x ， & x \geq 0 \\ 0 ， & x < 0 \end{matrix}$
`的双曲正切`	双曲正切(tanh)函数——应用`双曲正切`函数赋给每个输入元素
`“乙状结肠”`	Sigmoid函数——对每个输入元素执行以下操作: $f （ x ）＝ \frac{1}{1 + e^{- x}}$
`“没有”`	恒等函数——返回每个输入元素，而不执行任何转换，即f（x) =x

如果激活仅包含一个激活函数，则为神经网络模型中每一全连通层的激活函数，不包括最后一全连通层。最后一个全连接层的激活函数总是softmax (OutputLayerActivation）.
如果激活是一个数组的激活函数，那么我元素是激活函数我第层神经网络模型。

数据类型:字符|细胞

`OutputLayerActivation`- - - - - -最后全连通层的激活功能
`“softmax”`

此属性是只读的。

最终全连接层的激活函数，返回为“softmax”．函数接受每个输入x_我并返回以下内容，其中K是响应变量中的类数量:

$f （ x_{我} ）＝ \frac{经验值（ x_{我} ）}{\sum_{j ＝ 1}^{K} 经验值（ x_{j} ）} ．$

结果与预测的分类分数(或后验概率)相对应。

数据属性

`PredictorNames`- - - - - -预测变量的名字
字符向量的单元格数组

此属性是只读的。

预测器变量名，作为字符向量的单元格数组返回。元素的顺序PredictorNames对应于预测器名称在训练数据中出现的顺序。

数据类型:细胞

`CategoricalPredictors`- - - - - -分类预测指标
正整数向量|`［］`

此属性是只读的。

分类预测器索引，作为正整数的向量返回。假设预测数据包含成行的观察结果，CategoricalPredictors包含与包含类别预测器的预测器数据的列对应的索引值。如果没有一个预测器是绝对的，则此属性为空(［］）.

数据类型:双

`ExpandedPredictorNames`- - - - - -扩大了预测的名字
字符向量的单元格数组

此属性是只读的。

扩展的预测器名称，作为字符向量的单元格数组返回。如果模型对分类变量使用编码，则ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames和PredictorNames．

数据类型:细胞

`一会`- - - - - -独特的类名
数值向量|分类向量|逻辑向量|字符数组|字符向量的单元格数组

此属性是只读的。

训练中使用的惟一类名，作为数字向量、类别向量、逻辑向量、字符数组或字符向量的单元格数组返回。一会具有与用于训练模型的响应变量中的类标签相同的数据类型。(该软件将字符串数组视为字符向量的单元格数组。)一会还决定了类的顺序。

数据类型:单|双|分类|逻辑|字符|细胞

`ResponseName`- - - - - -响应变量名
特征向量

此属性是只读的。

响应变量名，作为字符向量返回。

数据类型:字符

其他分类属性

`成本`- - - - - -误分类代价
数字方阵

此属性是只读的。

错误分类代价，返回为数值方阵，其中成本(i, j)将一个点分类到类的成本是多少j如果它真正的阶级是我．成本矩阵总是有这样的形式:成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我．行对应真正的类，列对应预测的类。的行和列的顺序成本中的类的顺序一会．

数据类型:双

`之前`- - - - - -先验概率
数值向量

此属性是只读的。

每个类的先验概率，作为数字向量返回。元素的顺序之前对应于的元素一会．

数据类型:双

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

分数转换，指定为字符向量或函数句柄。ScoreTransform表示用于转换预测分类分数的内置转换函数或函数句柄。

更改分数转换函数为函数例如，使用点表示法。

对于内置函数，请输入字符向量。

Mdl。ScoreTransform = '函数”;

该表描述可用的内置函数。

价值	描述
`“doublelogit”`	1 / (1 +e^2x）
`“invlogit”`	日志(x/ (1 -x）)
`“ismax”`	将分数最大的类的分数设置为1，并将所有其他类的分数设置为0
`分对数的`	1 / (1 +e^{- - - - - -x}）
`“没有”`或`“身份”`	x(转换)
`“标志”`	1x< 0 为0x= 0 1x> 0
`“对称”`	2x- 1
`“symmetricismax”`	将分数最大的类的分数设置为1，并将所有其他类的分数设置为-1
`“symmetriclogit”`	2 / (1 +e^{- - - - - -x}) - 1

对于一个MATLAB^®函数或您定义的函数，请输入其函数句柄。
```
Mdl。ScoreTransform = @函数；
```
函数必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。

数据类型:字符|function_handle

对象的功能

全部展开

解释预测

`石灰`	局部可解释模型不可知解释(LIME)
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建偏依赖图(PDP)和个体条件期望图(ICE)
`沙普利`	沙普利值

评估新观察结果的预测性能

`边缘`	神经网络分类器的分类边缘
`损失`	神经网络分类器的分类损失
`保证金`	神经网络分类器的分类边值
`预测`	利用神经网络分类器对观测数据进行分类

比较精度

`compareHoldout`	使用新数据比较两种分类模型的准确性
`testckfold`	通过重复交叉验证比较两种分类模型的准确性

例子

全部折叠

减小神经网络分类器的尺寸

打开生活的脚本

通过从模型中删除训练数据来减少全神经网络分类器的大小。您可以使用一个紧凑的模型来提高内存效率。

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);

使用这些数据训练神经网络分类器。指定吸烟者列的资源描述作为响应变量。指定以标准化数值预测器。

Mdl = fitcnet(资源描述,“抽烟”，“标准化”,真正的)

Mdl = ClassificationNeuralNetwork PredictorNames: {1x6 cell} ResponseName: 'Smoker' CategoricalPredictors: 3 ClassNames: [0 1] ScoreTransform: 'none' NumObservations: 100 LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1x1 struct] TrainingHistory: [36x7 table] Properties, Methods

Mdl是一个完整的ClassificationNeuralNetwork模型对象。

减小模型的尺寸使用紧凑的．

compactMdl =紧凑(Mdl)

compactMdl = CompactClassificationNeuralNetwork LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'softmax' Properties, Methods

compactMdl是一个CompactClassificationNeuralNetwork模型对象。compactMdl包含比完整模型更少的属性Mdl．

显示每个神经网络模型使用的内存数量。

谁(“Mdl”，“compactMdl”）

名称大小字节类属性Mdl 1x1 18836 ClassificationNeuralNetwork compactMdl 1x1 6663 classreg.learning.classif.CompactClassificationNeuralNetwork

完整的模型比紧凑的模型大。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测对象函数支持代码生成。

有关更多信息，请参见代码生成简介．

版本历史

介绍了R2021a

另请参阅

fitcnet|预测|损失|保证金|边缘|ClassificationPartitionedModel|ClassificationNeuralNetwork|紧凑的

主题

评估神经网络分类器的性能

CompactClassificationNeuralNetwork

描述

创建

属性

神经网络属性

LayerSizes- - - - - -完全连接层的大小正整数向量

LayerWeights- - - - - -学习层的重量单元阵列

LayerBiases- - - - - -学习层的偏见单元阵列

激活- - - - - -全连通层的激活功能“relu”|的双曲正切|“乙状结肠”|“没有”|字符向量的单元格数组

OutputLayerActivation- - - - - -最后全连通层的激活功能“softmax”

数据属性

PredictorNames- - - - - -预测变量的名字字符向量的单元格数组

CategoricalPredictors- - - - - -分类预测指标正整数向量|［］

ExpandedPredictorNames- - - - - -扩大了预测的名字字符向量的单元格数组

一会- - - - - -独特的类名数值向量|分类向量|逻辑向量|字符数组|字符向量的单元格数组

ResponseName- - - - - -响应变量名特征向量

其他分类属性

成本- - - - - -误分类代价数字方阵

之前- - - - - -先验概率数值向量

ScoreTransform- - - - - -分数转换特征向量|函数处理

对象的功能

解释预测

评估新观察结果的预测性能

比较精度

例子

减小神经网络分类器的尺寸

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

版本历史

另请参阅

主题

`LayerSizes`- - - - - -完全连接层的大小
正整数向量

`LayerWeights`- - - - - -学习层的重量
单元阵列

`LayerBiases`- - - - - -学习层的偏见
单元阵列

`激活`- - - - - -全连通层的激活功能
`“relu”`|`的双曲正切`|`“乙状结肠”`|`“没有”`|字符向量的单元格数组

`OutputLayerActivation`- - - - - -最后全连通层的激活功能
`“softmax”`

`PredictorNames`- - - - - -预测变量的名字
字符向量的单元格数组

`CategoricalPredictors`- - - - - -分类预测指标
正整数向量|`［］`

`ExpandedPredictorNames`- - - - - -扩大了预测的名字
字符向量的单元格数组

`一会`- - - - - -独特的类名
数值向量|分类向量|逻辑向量|字符数组|字符向量的单元格数组

`ResponseName`- - - - - -响应变量名
特征向量

`成本`- - - - - -误分类代价
数字方阵

`之前`- - - - - -先验概率
数值向量

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。