1.模式分類與數據集

Pattern recognition is the process of training a neural network to assign the correct target classes to a set of input patterns. Once trained the network can be used to classify patterns it has not seen before. ?This dataset can be used to demonstrate how a neural network can be trained to classify data using a set of examples.

cancerInputs - a 9x699 matrix defining nine attributes of 699 biopsies. ? ?1. Clump thickness? ?2. Uniformity of cell size? ?3. Uniformity of cell shape? ?4. Marginal Adhesion? ?5. Single epithelial cell size? ?6. Bare nuclei? ?7. Bland chomatin? ?8. Normal nucleoli? ?9. Mitoses ? cancerTargets - a 2x966 matrix where each column indicates a correct category with a one in either element 1 or element 2. ? ?1. Benign? ?2. Malignant

2.神經網絡用于模式分類

2.1 GUI方法

輸入：9個關聯指標 輸出：正常/異常二分類




CE：Minimizing Cross-Entropy results in good classification. Lower values are better. Zero means no error.(最小化交叉熵結果，值越小性能越好) Percent Error: 錯誤分類的比例. 值越小效果越好.




評價指標1：confusion The next figure shows the confusion matrices for training, testing, and validation, and the three kinds of data combined. The network outputs are very accurate, as you can see by the high numbers of correct responses in the green squares and the low numbers of incorrect responses in the red squares. The lower right blue squares illustrate the overall accuracies.











評價指標2：ROC 受試者工作特征曲線 （receiver operating characteristic curve，簡稱ROC曲線），又稱為感受性曲線（sensitivity curve）。得此名的原因在于曲線上各點反映著相同的感受性，它們都是對同一信號刺激的反應，只不過是在幾種不同的判定標準下所得的結果而已。接受者操作特性曲線就是以假陽性概率（False positive rate）為橫軸，擊中概率為縱軸所組成的坐標圖，和被試在特定刺激條件下由于采用不同的判斷標準得出的不同結果畫出的曲線。
ROC曲線是根據一系列不同的二分類方式（分界值或決定閾），以真陽性率（靈敏度）為縱坐標，假陽性率（1-特異度）為橫坐標繪制的曲線。傳統的診斷試驗評價方法有一個共同的特點，必須將試驗結果分為兩類，再進行統計分析。ROC曲線的評價方法與傳統的評價方法不同，無須此限制，而是根據實際情況，允許有中間狀態，可以把試驗結果劃分為多個有序分類，如正常、大致正常、可疑、大致異常和異常五個等級再進行統計分析。因此，ROC曲線評價方法適用的范圍更為廣泛。

總結

以上是生活随笔為你收集整理的matlab神经网络3：模式分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。