如何在Matlab中为多类数据集创建多层感知器

Question

我想为任务创建一个双层感知器。

它将作为Fisher虹膜数据集的分类器。

在创建网络时，我遇到了以下问题：

• 对于上述数据集，我是否可以用一个输入来设置网络，并将n行和4个特征的整个训练矩阵作为输入值？或者，我是否需要调整网络以使用4个输入节点，每个特征1个，并将训练矩阵作为输入值传递？
• 此外，如何正确地连接各层？ 例如，当我使用网络命令创建一个带有4个输入的感知器时，我并不真正理解biasConnect、inputConnect和layerConnect实际上做了什么。
• 最后，我需要多少个输出才能正确地分类一个元素？我遇到的每一个例子都使用一个输出，但是，仅仅一个就足够了吗？或者，我每节课都需要一个？

用于创建第二点提到的网络的命令：

net = network(4, 2, [1; 0], [1 1 1 1;0 0 0 0], [0 0; 1 0], [0 1]);

Answer 1

让我们从网络连接开始。network函数的工作方式并不直观。为了控制输入向量是否正确地描述了结构，可以使用view(net)：

​

​

现在，让我们简短地讨论每个参数：

numInputs --如果您的网络只获得一个输入数据集，则需要将1放在这里。

numLayers -对于虹膜数据集，在这里使用2是可以的。

biasConnect偏置单元用于“增加”输入和输出之间的非线性。我们希望网络能够近似于复杂的非线性函数，这就是为什么在两层中加入偏置单元是个好主意。所以，把这里，[1, 1]。

inputConnect -向量具有维数numLayers-by-numInputs。它显示哪些输入与哪些层相连接。您只有一个输入连接到第一个层，所以将[1;0]放在这里。

layerConnect -向量具有维数numLayers-by-numLayers。你有两层。第一层连接到第二层，但不连接到自身。从第二层到第一层没有连接，第二层不给自己喂食。把[0 0; 1 0]放在这里。

outputConnect -向量具有维数1-by-numLayers，并显示哪一层连接到输出。把[0 1]放在这里。

下面是我们的命令和相应的图表：

net = network(1, 2, [1; 1], [1;0], [0 0; 1 0], [0 1]);

​

​

你可以对这些参数进行实验，结果的结构可能非常复杂。

网络配置

现在您需要配置网络。您可以在文档中找到所有参数，我将在这里描述最重要的：

1. 为层设置正确的激活函数是很重要的。默认情况下，函数被设置为purelin。您可能想在这里使用类似于tansig或logsig的东西。
2. 您需要设置每个层的大小。在你的情况下，我将使用5或7个单位在第一层。第二层的大小应该等于输出类的数量:在您的例子中是3。
3. 权值和偏置单元的初始化功能也应该为每一层设置。

生成的网络如下所示：

​

​

以下是代码：

net = network(1, 2, [1; 1], [1;0], [0 0; 1 0], [0 1]);

net.adaptFcn = 'adaptwb';
net.divideFcn = 'dividerand'; %Set the divide function to dividerand (divide training data randomly).

net.performFcn = 'mse';
net.trainFcn = 'trainlm'; % set training function to trainlm (Levenberg-Marquardt backpropagation) 

net.plotFcns = {'plotperform', 'plottrainstate', 'ploterrhist', 'plotconfusion', 'plotroc'};

%set Layer1
net.layers{1}.name = 'Layer 1';
net.layers{1}.dimensions = 7;
net.layers{1}.initFcn = 'initnw';
net.layers{1}.transferFcn = 'tansig';

%set Layer2
net.layers{2}.name = 'Layer 2';
net.layers{2}.dimensions = 3;
net.layers{2}.initFcn = 'initnw';
net.layers{2}.transferFcn = 'tansig';

[x,t] = iris_dataset; %load of the iris data set
net = train(net,x, t); %training

y = net(x); %prediction

view(net);

混乱矩阵看起来很好。所以网络运行得很好！

​

​

--有点锋利的方式--

如果要使用已预装的网络，可以使用以下代码：

[x,t] = iris_dataset;
net = patternnet;
net = configure(net,x,t);

net = train(net,x,t); %training
view(net);

y = net(x); %predict