使用浅层神经网络进行模式识别-Toy模板网

这篇具有很好参考价值的文章主要介绍了使用浅层神经网络进行模式识别。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

定义问题

使用神经网络模式识别进行模式识别

使用命令行函数进行模式识别

选择数据

选择训练算法

创建网络

划分数据

训练网络

测试网络

查看网络

分析结果

后续步骤

除了函数拟合，神经网络也擅长识别模式。

例如，假设要根据细胞大小、肿块厚度、有丝分裂等特征的均匀性将肿瘤分为良性或恶性。有699个样本，相关特征有9项，并且这些案例已正确分类为良性或恶性。

与函数拟合一样，解决此问题的方法有两种：

使用神经网络模式识别，如使用神经网络模式识别进行模式识别中所述。
使用命令行函数，如使用命令行函数进行模式识别中所述。

一般最好从 App 开始，然后使用该 App 自动生成命令行脚本。在使用任何方法之前，首先通过选择数据集来定义问题。每个神经网络 App 都可以访问许多采样数据集，可以使用这些数据集来试验工具箱。如果有要解决的特定问题，可以将自己的数据加载到工作区中。下一节介绍数据格式。

注意

要以交互方式构建、可视化和训练深度学习神经网络，请使用深度网络设计器。

定义问题

要定义模式识别问题，请将一组输入向量（预测变量）排列为一个矩阵中的列。然后排列另一组响应向量，指示观测值分配到的类。

当只有两个类时，每个响应向量有两个元素，即 0 和 1，指示对应的观测值属于哪个类。例如，可以定义一个两类分类问题，如下所示：

predictors = [7 10 3 1 6; 5 8 1 1 6; 6 7 1 1 6];
responses = [0 0 1 1 0; 1 1 0 0 1];

数据由五个观测值组成，每个观测值有三个特征，归入两个类之一。

当预测变量要分类为 N 个不同的类时，则响应向量具有 N 个元素。对于每个响应变量，有一个元素为 1，其他元素为 0。例如，下文展示了如何定义一个将 5×5×5 立方体的各个角分为三类的分类问题&#x文章来源地址https://www.toymoban.com/news/detail-833165.html

到了这里，关于使用浅层神经网络进行模式识别的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！