Neuronale Netze – Mustererkennung
Lösung eines Mustererkennungsproblems mit zweischichtigen Feed-Forward-Netzen
Beschreibung
Mit der App Neural Net Pattern Recognition können Sie zweischichtige Feed-Forward-Netze erstellen, visualisieren und trainieren, um Datenklassifizierungsprobleme zu lösen.
Mit dieser App können Sie:
Daten aus einer Datei oder dem MATLAB®-Workspace importieren oder einen der Beispieldatensätze verwenden.
Die Daten in Trainings-, Validierungs- und Testmengen unterteilen.
Ein neuronales Netz definieren und trainieren.
Die Leistung des Netzes anhand des Kreuzentropie-Fehlers und des Fehlklassifizierungsfehlers bewerten.
Die Ergebnisse mithilfe von Visualisierungsdiagrammen, wie z. B. Konfusionsmatrizen und Grenzwertoptimierungskurven (ROC-Kurven) analysieren.
MATLAB-Skripte erzeugen, um Ergebnisse zu reproduzieren und den Trainingsprozess anzupassen.
Funktionen generieren, die für den Einsatz mit MATLAB Compiler™ und MATLAB Coder™-Tools geeignet sind, und Sie nach Simulink® zur Verwendung mit Simulink Coder exportieren.
Tipp
Zum interaktiven Erstellen und Visualisieren neuronaler Deep-Learning-Netze verwenden Sie die App Deep Network Designer. Weitere Informationen finden Sie unter Erste Schritte mit Deep Network Designer.
Öffnen Sie die Neuronale Netze – Mustererkennung-App
MATLAB-Symbolleiste: Klicken Sie auf der Registerkarte Apps unter Machine Learning and Deep Learning auf das App-Symbol.
MATLAB-Eingabeaufforderung: Geben Sie
nprtoolein.
Algorithmen
Die App Neural Net Pattern Recognition bietet einen integrierten Trainingsalgorithmus, mit dem Sie Ihr neuronales Netz trainieren können.
| Trainingsalgorithmus | Beschreibung |
|---|---|
| Skalierte konjugierte Gradienten-Backpropagation | Die skalierte konjugierte Gradienten-Backpropagation aktualisiert die Gewichtungs- und Verzerrungswerte nach der Methode des skalierten konjugierten Gradienten. Um diesen Algorithmus zu implementieren, verwendet die App Neural Net Pattern Recognition die Funktion |
