nprtool使用简介以及几种工具箱的区分。
主要参考来源
- MATLAB帮助中心 - nprtool
- MATLAB帮助中心 - 使用浅层神经网络对模式进行分类
- Matlab神经网络的几个工具箱nntool、nftool、nctool、ntstool与nprtool的区别与使用
神经网络模式识别工具
nprtool
(1)算法:
nprtool 引导您使用一个具有 sigmoid 输出神经元的两层前馈 patternnet 网络求解一个模式识别分类问题。
(2)使用浅层神经网络对模式进行分类
要以交互方式构建和训练深度网络,请使用深度网络设计器。
①命令行输入 nprtool 打开神经网络模式识别模块。
②导入数据,选择示例数据里的 玻璃。
比例是,70,15,15③创建网络
该网络是一个双层前馈网络。
隐藏层有一个 sigmoid 传递函数,输出层有一个 softmax 传递函数。
隐藏层的大小对应于隐藏神经元的数量。默认层大小为 10。
输出神经元的数量设置为 2,等于响应数据指定的类的数量。
④开始训练
在训练窗格中可以看到训练进度。
训练会一直持续,直到满足其中一个停止条件。
在此示例中,训练会一直持续,直到 6 次迭代的验证误差持续增大(“满足验证条件”)。
(3)对结果进行数据分析:
从图像分析:①混淆矩阵绘图。
如果绿色方块(对角线)中的正确分类数字很高,红色方块(非对角线)中的错误分类数字很低,这表明网络输出非常准确。
不过从本图可以看出测试的正确率只有81.2%,训练与验证正确率也不是很高,该网络还需要优化。②ROC 曲线
网络性能的额外验证。
每个轴上的彩色线条表示 ROC 曲线。
ROC 曲线是随阈值变化的真正率(敏感度)对假正率(1 - 特异度)的图。
完美的测试会在左上角显示点,灵敏度和特异度均为 100%。
此时,网络性能非常好。
(4)关于过拟合
如果基于训练集的性能很好,但测试集的性能很差,这可能表明模型出现了过拟合。减少神经元的数量可以减少过拟合。
神经元越多,需要的计算也越多;当数量设置得太高时,可能会出现数据过拟合倾向,但这使网络能够求解更复杂的问题。层越多,需要的计算也越多,但使用更多的层可以使网络更高效地求解复杂问题。要使用多个隐藏层,请在 patternnet 命令中输入隐藏层大小作为数组的元素。
求隐含节点数的三种方法:
1.fangfaGorman指出隐层结点数s与模式数N的关系是:s=log2N;
2.Kolmogorov定理表明,隐层结点数s=2n+1(n为输入层结点数);
3.s=sqrt(0.43mn+0.12nn+2.54m+0.77n+0.35)+0.51
(m是输入层的个数,n是输出层的个数)。
公式参考
(5)优化
对搭建的网络性能不满意的话可以:
① 重新训练网络。
② 增加隐藏神经元的数量。
③ 使用更大的训练数据集。
其他搭建方法
nntool、nftool、nctool、ntstool与nprtool 解决的不同类型问题