Загрузите данные, состоящие из синтетических изображений рукописных цифр. XTrain 28 28 1 5 000 массивов изображений и YTrain категориальный вектор, содержащий метки изображения.

[XTrain,YTrain] = digitTrain4DArrayData;
whos YTrain

  Name           Size            Bytes  Class          Attributes

  YTrain      5000x1              6062  categorical              

Задайте архитектуру сверточной нейронной сети.

layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(3,8,'Padding','same')
    batchNormalizationLayer
    reluLayer    
    convolution2dLayer(3,16,'Padding','same','Stride',2)
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3,32,'Padding','same','Stride',2)
    batchNormalizationLayer
    reluLayer
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

Задайте опции обучения и обучите сеть.

options = trainingOptions('sgdm',...
    'MaxEpochs',5,...
    'Verbose',false,...
    'Plots','training-progress');
net = trainNetwork(XTrain,YTrain,layers,options);

Warning: Support for GPU devices with Compute Capability 3.0 will be removed in a future MATLAB release. For more information on GPU support, see <a href="matlab:web('http://www.mathworks.com/help/parallel-computing/gpu-support-by-release.html','-browser')">GPU Support by Release</a>.

Загрузите и классифицируйте тестовые данные с помощью обучившего сеть.

[XTest,YTest] = digitTest4DArrayData;
YPredicted = classify(net,XTest);

График матрица беспорядка истинного теста маркирует YTest и предсказанные метки YPredicted.

plotconfusion(YTest,YPredicted)

Строки соответствуют предсказанному классу (Выходной класс), и столбцы соответствуют истинному классу (Целевой Класс). Диагональные ячейки соответствуют наблюдениям, которые правильно классифицируются. Недиагональные ячейки соответствуют неправильно классифицированным наблюдениям. И количество наблюдений и процент общего количества наблюдений показывают в каждой ячейке.

Столбец на ультраправом из графика показывает проценты всех примеров, предсказанных, чтобы принадлежать каждому классу, которые правильно и неправильно классифицируются. Эти метрики часто называются точностью (или положительное прогнозирующее значение) и ложный уровень открытия, соответственно. Строка в нижней части графика показывает проценты всех примеров, принадлежащих каждому классу, которые правильно и неправильно классифицируются. Эти метрики часто называются отзывом (или истинный положительный уровень) и ложный отрицательный уровень, соответственно. Ячейка в правом нижнем из графика показывает общую точность.

Загрузите выборочные данные с помощью cancer_dataset функция. XTrain 9 699 матрица, задающая девять атрибутов 699 биопсий. YTrain 2 699 матрица, где каждый столбец указывает на правильную категорию соответствующего наблюдения. Каждый столбец YTrain имеет один элемент, который равняется один или в первой или во второй строке, соответствуя раку, являющемуся мягким или злостным, соответственно. Для получения дополнительной информации об этом наборе данных введите help cancer_dataset в командной строке.

rng default
[XTrain,YTrain] = cancer_dataset;
YTrain(:,1:10)

ans = 2×10

     1     1     1     0     1     1     0     0     0     1
     0     0     0     1     0     0     1     1     1     0

Создайте сеть распознавания образов и обучите ее с помощью выборочных данных.

net = patternnet(10);
net = train(net,XTrain,YTrain);

Оцените состояние рака с помощью обучившего сеть. Каждый столбец матричного YPredicted содержит предсказанные вероятности каждого наблюдения, принадлежащего классу 1 и классу 2, соответственно.

YPredicted = net(XTrain);
YPredicted(:,1:10)

ans = 2×10

    0.9999    0.9999    0.9999    0.0578    0.9993    0.9999    0.0012    0.0001    0.0028    0.9999
    0.0001    0.0001    0.0001    0.9422    0.0007    0.0001    0.9988    0.9999    0.9972    0.0001

Постройте матрицу беспорядка. Создать график, plotconfusion метки каждое наблюдение согласно самой престижной вероятности.

plotconfusion(YTrain,YPredicted)

В этом рисунке первые две диагональных ячейки показывают номер и процент правильных классификаций обучившим сеть. Например, 446 биопсий правильно классифицируются как мягкие. Это соответствует 63,8% всех 699 биопсий. Точно так же 236 случаев правильно классифицируются как злостные. Это соответствует 33,8% всех биопсий.

5 из злостных биопсий неправильно классифицируются как мягкие, и это соответствует 0,7% всех 699 биопсий в данных. Точно так же 12 из мягких биопсий неправильно классифицируются как злостные, и это соответствует 1,7% всех данных.

Из 451 мягкого предсказания 98,9% правильны, и 1,1% являются неправильными. Из 248 злостных предсказаний 95,2% правильны, и 4,8% являются неправильными. Из 458 мягких случаев 97,4% правильно предсказаны столь же мягкие, и 2,6% предсказаны как злостные. Из 241 злостного случая 97,9% правильно классифицируются как злостные, и 2,1% классифицируются как мягкие.

В целом, 97,6% предсказаний правилен, и 2,4% являются неправильными.