Прогнозировать значения ответа тестового набора с использованием модели обученной регрессионной нейронной сети.

Загрузить patients набор данных. Создайте таблицу из набора данных. Каждая строка соответствует одному пациенту, и каждый столбец соответствует диагностической переменной. Используйте Systolic переменная в качестве ответной переменной, а остальные переменные в качестве предикторов.

load patients
tbl = table(Age,Diastolic,Gender,Height,Smoker,Weight,Systolic);

Разделение данных на набор обучения tblTrain и набор тестов tblTest с помощью нестратифицированного раздела удержания. Программное обеспечение резервирует приблизительно 30% наблюдений для набора тестовых данных и использует остальные наблюдения для набора обучающих данных.

rng("default") % For reproducibility of the partition
c = cvpartition(size(tbl,1),"Holdout",0.30);
trainingIndices = training(c);
testIndices = test(c);
tblTrain = tbl(trainingIndices,:);
tblTest = tbl(testIndices,:);

Обучение модели регрессионной нейронной сети с использованием обучающего набора. Укажите Systolic столбец tblTrain в качестве переменной ответа. Укажите, чтобы стандартизировать числовые предикторы. По умолчанию модель нейронной сети имеет один полностью подключенный уровень с 10 выходами, исключая конечный полностью подключенный уровень.

Mdl = fitrnet(tblTrain,"Systolic", ...
    "Standardize",true);

Предсказать уровни систолического артериального давления для пациентов в наборе тестов.

predictedY = predict(Mdl,tblTest);

Визуализация результатов с помощью графика рассеяния с опорной линией. Постройте график прогнозируемых значений вдоль вертикальной оси и истинных значений отклика вдоль горизонтальной оси. Точки на опорной линии указывают правильные прогнозы.

plot(tblTest.Systolic,predictedY,".")
hold on
plot(tblTest.Systolic,tblTest.Systolic)
hold off
xlabel("True Systolic Blood Pressure Levels")
ylabel("Predicted Systolic Blood Pressure Levels")

Поскольку многие из точек находятся далеко от опорной линии, модель нейронной сети по умолчанию с полностью соединенным слоем размера 10, по-видимому, не является большим предиктором уровней систолического артериального давления.

Выбор функций выполняется путем сравнения потерь и прогнозов тестового набора. Сравните метрики тестового набора для модели регрессионной нейронной сети, обученной с использованием всех предикторов, с метриками тестового набора для модели, обученной с использованием только подмножества предикторов.

Загрузить образец файла fisheriris.csv, которая содержит данные по радужке, включая длину чашелистика, ширину чашелистика, длину лепестка, ширину лепестка и видовой тип. Прочтите файл в таблицу.

fishertable = readtable('fisheriris.csv');

Разделение данных на набор обучения trainTbl и набор тестов testTbl с помощью нестратифицированного раздела удержания. Программное обеспечение резервирует приблизительно 30% наблюдений для набора тестовых данных и использует остальные наблюдения для набора обучающих данных.

rng("default")
c = cvpartition(size(fishertable,1),"Holdout",0.3);
trainTbl = fishertable(training(c),:);
testTbl = fishertable(test(c),:);

Обучить одну модель регрессионной нейронной сети, используя все предикторы в обучающем наборе, и обучить другой классификатор, используя все предикторы, кроме PetalWidth. Для обеих моделей укажите PetalLength в качестве переменной ответа и стандартизировать предикторы.

allMdl = fitrnet(trainTbl,"PetalLength","Standardize",true);
subsetMdl = fitrnet(trainTbl,"PetalLength ~ SepalLength + SepalWidth + Species", ...
    "Standardize",true);

Сравните значения среднеквадратичной ошибки (MSE) для двух моделей. Меньшие значения MSE указывают на лучшую производительность.

allMSE = loss(allMdl,testTbl)

allMSE = 0.0834

subsetMSE = loss(subsetMdl,testTbl)

subsetMSE = 0.0887

Для каждой модели сравните прогнозируемые длины лепестков тестового набора с истинными длинами лепестков. Постройте график прогнозируемых длин лепестков вдоль вертикальной оси и истинных длин лепестков вдоль горизонтальной оси. Точки на опорной линии указывают правильные прогнозы.

tiledlayout(2,1)

% Top axes
ax1 = nexttile;
allPredictedY = predict(allMdl,testTbl);
plot(ax1,testTbl.PetalLength,allPredictedY,".")
hold on
plot(ax1,testTbl.PetalLength,testTbl.PetalLength)
hold off
xlabel(ax1,"True Petal Length")
ylabel(ax1,"Predicted Petal Length")
title(ax1,"All Predictors")

% Bottom axes
ax2 = nexttile;
subsetPredictedY = predict(subsetMdl,testTbl);
plot(ax2,testTbl.PetalLength,subsetPredictedY,".")
hold on
plot(ax2,testTbl.PetalLength,testTbl.PetalLength)
hold off
xlabel(ax2,"True Petal Length")
ylabel(ax2,"Predicted Petal Length")
title(ax2,"Subset of Predictors")

Поскольку обе модели, по-видимому, работают хорошо, с предсказаниями, разбросанными вблизи опорной линии, рассмотрите возможность использования модели, обученной с использованием всех предикторов, кроме PetalWidth.

Посмотрите, как слои регрессионной модели нейронной сети работают вместе, чтобы предсказать значение отклика для одного наблюдения.

Загрузить образец файла fisheriris.csv, которая содержит данные по радужке, включая длину чашелистика, ширину чашелистика, длину лепестка, ширину лепестка и видовой тип. Прочтите файл в таблицу и отобразите первые несколько строк таблицы.

fishertable = readtable('fisheriris.csv');
head(fishertable)

ans=8×5 table
    SepalLength    SepalWidth    PetalLength    PetalWidth     Species  
    ___________    __________    ___________    __________    __________

        5.1           3.5            1.4           0.2        {'setosa'}
        4.9             3            1.4           0.2        {'setosa'}
        4.7           3.2            1.3           0.2        {'setosa'}
        4.6           3.1            1.5           0.2        {'setosa'}
          5           3.6            1.4           0.2        {'setosa'}
        5.4           3.9            1.7           0.4        {'setosa'}
        4.6           3.4            1.4           0.3        {'setosa'}
          5           3.4            1.5           0.2        {'setosa'}

Обучение регрессионной модели нейронной сети с использованием набора данных. Укажите PetalLength переменная в качестве ответа и использовать другие числовые переменные в качестве предикторов.

Mdl = fitrnet(fishertable,"PetalLength ~ SepalLength + SepalWidth + PetalWidth");

Выберите пятнадцатое наблюдение из набора данных. Посмотрите, как слои нейронной сети принимают наблюдение и возвращают прогнозируемое значение отклика newPointResponse.

newPoint = Mdl.X{15,:}

newPoint = 1×3

    5.8000    4.0000    0.2000

firstFCStep = (Mdl.LayerWeights{1})*newPoint' + Mdl.LayerBiases{1};
reluStep = max(firstFCStep,0);

finalFCStep = (Mdl.LayerWeights{end})*reluStep + Mdl.LayerBiases{end};

newPointResponse = finalFCStep

newPointResponse = 1.6716

Убедитесь, что прогноз соответствует прогнозу, возвращенному predict объектная функция.

predictedY = predict(Mdl,newPoint)

predictedY = 1.6716

isequal(newPointResponse,predictedY)

ans = logical
   1

Два результата совпадают.