Загрузите данные, состоящие из синтетических изображений рукописных цифр. XTrain массив изображений 28 на 28 на 1 на 5000 и YTrain - категориальный вектор, содержащий метки изображений.

[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);

Загрузка и классификация тестовых данных с помощью обученной сети.

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

Постройте матрицу неточностей истинных тестовых меток YTest и предсказанные метки YPredicted.

plotconfusion(YTest,YPredicted)

Строки соответствуют предсказанному классу (Output Class), а столбцы соответствуют истинному классу (Target Class). Диагональные камеры соответствуют наблюдениям, которые правильно классифицированы. Недиагональные камеры соответствуют неправильно классифицированным наблюдениям. Как количество наблюдений, так и процент от общего числа наблюдений показаны в каждой камере.

В столбце в крайнем правом углу графика показаны проценты всех предсказанных примеров, принадлежащих каждому классу, которые правильно и неправильно классифицированы. Эти метрики часто называют точностью (или положительным прогностическим значением) и частотой ложных открытий, соответственно. Строка в нижней части графика показывает проценты всех примеров, принадлежащих каждому классу, которые правильно и неправильно классифицированы. Эти метрики часто называют отзывом (или истинной положительной частотой) и ложноотрицательной частотой, соответственно. Камера в правом нижнем углу графика показывает общую точность.

Закройте все рисунки.

close(findall(groot,'Type','figure'))

Загрузите выборочные данные с помощью cancer_dataset функция. XTrain - матрица 9 на 699, задающая девять атрибутов 699 биопсий. YTrain является матрицей 2 на 699, где каждый столбец указывает правильную категорию соответствующего наблюдения. Каждый столбец YTrain имеет один элемент, который равен одному в первой или второй строке, соответствующий тому, что рак является доброкачественным или злокачественным, 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 шаблонов и обучите ее с помощью выборочных данных.

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

Оцените состояние рака с помощью обученной сети. Каждый столбец матрицы YPredicted содержит предсказанные вероятности каждого наблюдения, принадлежащего классу 1 и классу 2, соответственно.

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

ans = 2×10

    0.9980    0.9979    0.9894    0.0578    0.9614    0.9960    0.0026    0.0023    0.0084    0.9944
    0.0020    0.0021    0.0106    0.9422    0.0386    0.0040    0.9974    0.9977    0.9916    0.0056

Постройте график матрицы неточностей. Чтобы создать график, plotconfusion помечает каждое наблюдение согласно самой высокой вероятности класса.

plotconfusion(YTrain,YPredicted)

На этом рисунке первые две диагональные камеры показывают количество и процент правильных классификаций обученной сетью. Для примера 446 биопсий правильно классифицируются как доброкачественные. Это соответствует 63,8% всех 699 биопсий. Точно так же 236 случаев правильно классифицируются как злокачественные. Это соответствует 33,8% всех биопсий.

5 из злокачественных биопсий неправильно классифицируются как доброкачественные, и это соответствует 0,7% от всех 699 биопсий в данных. Точно так же 12 доброкачественных биопсий неправильно классифицируются как злокачественные, и это соответствует 1,7% всех данных.

Из 451 доброкачественных предсказаний 98,9% верны, а 1,1% неверны. Из 248 злокачественных предсказаний 95,2% верны, а 4,8% ошибаются. Из 458 доброкачественных случаев 97,4% правильно прогнозируются как доброкачественные и 2,6% прогнозируются как злокачественные. Из 241 злокачественного случая 97,9% правильно классифицируются как злокачественные и 2,1% классифицируются как доброкачественные.

В целом 97,6% предсказаний верны, а 2,4% неверны.