Matlab'da ileriye dönük sinir ağı sınıflandırması

İki gauss dağıtım örneğim var, bir guassian 10.000 örnek içeriyor ve diğer gaussian da 10.000 örnek içeriyor, bu örnekler ile ileriye dönük bir sinir ağı kurmak istiyorum ama ne kadar olduğunu bilmiyorum optimal bir karar sınırı elde etmek için almak zorunda olduğum örnekler. İşte kod ama ben tam olarak çözüm bilmiyorum ve çıktı weirds.Matlab'da ileriye dönük sinir ağı sınıflandırması

x1 = -49:1:50; 
x2 = -49:1:50; 
[X1, X2] = meshgrid(x1, x2); 
Gaussian1 = mvnpdf([X1(:) X2(:)], mean1, var1);// for class A 
Gaussian2 = mvnpdf([X1(:) X2(:)], mean2, var2);// for Class B 
net = feedforwardnet(10); 
G1 = reshape(Gaussian1, 10000,1); 
G2 = reshape(Gaussian2, 10000,1); 
input = [G1, G2]; 
output = [0, 1]; 
net = train(net, input, output);

Kodu çalıştırdığımda bana garip sonuçlar veriyor. Kod doğru değilse, birisi bu iki dağıtım için bir karar sınırı alabilmem için bana öneride bulunabilir.

kaynak

2016-04-13 ASAD

Gerçekten ne istediğini bana açık değil. Eğitim setinizi açıklayan daha spesifik olabilir misiniz lütfen? –

Basit bir deyişle, bu beslemenin doğruluğunu NN bulmak istiyorum, bu sınıflandırıcı için bu gauss dağılımları için bir karar sınırı çizmek istiyorum. :) – ASAD

Karar sınırını çizmek için, bu gönderiye biraz yardımcı olabilir: http://stackoverflow.com/questions/33502666/draw-divisory-mlp-line-together-with-chart-in-matlab/33503674#33503674 – rayryeng

Girişin Gauss dağılımı olması gerektiğine eminim (x koordinatları değil). Aslında NN, ilgilendiğiniz fenomenler arasındaki ilişkiyi (Gauss dağılımları) ve çıktı etiketlerini, fenomenleri ve etiketleri içerdiği alan arasında değil, anlamalıdır. Ayrıca, x koordinatlarını seçerseniz, NN, ikincisi ve çıkış etiketleri arasındaki bazı ilişkileri anlamaya çalışacaktır, ancak x, potansiyel olarak sabit bir şeydir (yani, giriş verilerinin hepsi aynı olabilir, x koordinatlarının aynı aralığında çok farklı Gauss dağılımı sadece ortalama ve varyansı değiştirmektedir). Böylece NN kafası karışıyor, çünkü aynı girdi verisi daha fazla çıktı etiketine sahip olabilir (ve bu şeyin olmasını istemiyorsunuz !!!).
Umarim yardımcı oldu.

P.S .: Şüphe için, size küçük bir eğitim setiniz varsa NN'nin verilere çok iyi uymadığını söylemeliyim. Ayrıca, çapraz doğrulama tekniğini kullanarak veri modelinizi doğrulamayı unutmayın (iyi bir kural, çapraz doğrulama seti için eğitim setinizin% 20'sini ve test için aynı eğitim setinin% 20'sini kullanmaktır) modelinizi eğitmek için eğitim setinizin kalan% 60'ını ayarlayın ve kullanın.

kaynak

2016-04-13 11:22:21 Danix89

Gauss dağılımlarını çıkış olarak [0,1] girdi olarak kullanacağım doğrudur. Fakat başka bir problemim var, İlk gauss dağılımım 100x100 = 10,000 numune ve başka bir gauss dağılımı da 100x100 = 10,000 Örnek 20.000, bu iki sınıf arasında makul bir karar almak için kaç tane örnek almam gerektiğini bilmiyorum. – ASAD

Anlamakta zorlanırsam, düzeltin: çok değişkenli normal dağılımınız (veya çok boyutlu bir gaussian) var ve ikinci gaussianın olasılık dağılımı ile bazı sınıflar arasındaki ilişkiyi incelemek istiyorsunuz. Sağ? Bu durumda 100x100 matrisinizin hipotez işlevinizin özellikleri olmasını istersiniz. Bu nedenle, neden sadece iki örnek eğitim seti üzerinde bir NN kullanmak istiyorsunuz? – Danix89

İki Gauss'lu G1 ve G2 var ve Bayes teoremini kullanıyorum Bu gaussianların posterior olasılıklarını hesapladım ve daha sonra bu dağılım arasındaki karar sınırını çizdim, şimdi sıradaki görevim aynı gauss dağıtım örneklerini kullanmak ve bunları ileriye doğru NN'de uygulamak. ve sonuçları karşılaştır. Umarım bu soru anlamını temizleyecektir. – ASAD

Matlab'da ileriye dönük sinir ağı sınıflandırması

cevap

İlgili konular