使用神经网络模式识别进行模式识别

选择数据

神经网络模式识别提供了示例数据来帮助您开始训练神经网络。

要导入示例玻璃分类数据，请选择导入 > 导入玻璃数据集。您可以使用此数据集训练神经网络，根据玻璃的化学属性将玻璃分为窗用玻璃或非窗用玻璃。如果您从文件或工作区导入自己的数据，则必须指定预测变量和响应变量，以及观测值位于行中还是列中。

有关导入数据的信息显示在模型摘要中。此数据集包含 214 个观测值，每个观测值有 9 个特征。每个观测值分为两个类之一：窗用或非窗用。

将数据分成训练集、验证集和测试集。保留默认设置。数据拆分为：

有关数据划分的详细信息，请参阅划分数据以实现最优神经网络训练。

创建网络

该网络是一个双层前馈网络，其中在隐藏层有一个 sigmoid 传递函数，在输出层有一个 softmax 传递函数。隐藏层的大小对应于隐藏神经元的数量。默认层大小为 10。您可以在网络窗格中看到网络架构。输出神经元的数量设置为 2，等于响应数据指定的类的数量。

训练网络

要训练网络，请点击训练。

在训练窗格中，您可以看到训练进度。训练会一直持续，直到满足其中一个停止条件。在此示例中，训练会一直持续，直到六次连续验证迭代的验证误差大于或等于先前最小验证误差（“满足验证条件”）。

分析结果

模型摘要包含关于每个数据集的训练算法和训练结果的信息。

您可以通过生成绘图来进一步分析结果。要对混淆矩阵绘图，请在绘图部分中，点击混淆矩阵。您会看到绿色方块（对角线）中的正确分类数字很高，红色方块（非对角线）中的错误分类数字很低，这表明网络输出非常准确。

查看 ROC 曲线以获得网络性能的额外验证。在绘图部分中，点击 ROC 曲线。

每个轴上的彩色线条表示 ROC 曲线。ROC 曲线是随阈值变化的真正率（敏感度）对假正率（1 - 特异度）的图。完美的测试会在左上角显示点，灵敏度和特异度均为 100%。对于此问题，网络性能非常好。

如果您对网络性能不满意，可以执行以下操作之一：

如果基于训练集的性能很好，但测试集的性能很差，这可能表明模型出现了过拟合。减少神经元的数量可以减少过拟合。

您还可以评估基于附加测试集的网络性能。要加载附加测试数据来评估网络，请在测试部分中，点击测试。模型摘要显示附加测试结果。您也可以生成图来分析附加测试结果。

生成代码

选择生成代码 > 生成简单的训练脚本以创建 MATLAB 代码，从命令行重现前面的步骤。如果您要了解如何使用工具箱的命令行功能来自定义训练过程，则创建 MATLAB 代码会很有帮助。在使用命令行函数进行模式识别中，您可以更详细地研究生成的脚本。

导出网络

您可以将经过训练的网络导出到工作区或 Simulink®。您也可以使用 MATLAB Compiler™ 和其他 MATLAB 代码生成工具部署网络。要导出您的训练网络和结果，请选择导出模型 > 导出到工作区。