Wie zu verwenden trainierten Neuronalen Netzes in Matlab für die Einstufung in ein reales system

Habe ich trainiert Feed Forward NN mit Matlab Neural Network Toolbox, die auf einen Datensatz mit Sprache-Funktionen und Beschleunigungsmesser-Messungen. Targetset enthält zwei target-Klassen für das dataset: 0 und 1. Die Ausbildung, Validierung und performance sind alle in Ordnung und ich habe den generierten code für das Netzwerk.

Nun muss ich verwenden dieses neuronale Netzwerk in Echtzeit Muster zu erkennen, wenn Sie auftreten, und generiert 0 oder 1, wenn ich zum testen einen neuen Datensatz gegen trainierte NN. Aber wenn ich einen Befehl:

   c = sim(net, j)

Wobei "j" ist ein neues dataset[24x11]; statt 0 oder 1 bekomme ich diese als Ausgang (ich nehme an, ich bekomme Prozent der korrekten Klassifizierung, aber es ist keine Einstufung führen selbst):

c =

  Columns 1 through 9

    0.6274    0.6248    0.9993    0.9991    0.9994    0.9999    0.9998    0.9934    0.9996

  Columns 10 through 11

    0.9966    0.9963

So gibt es einen Befehl oder eine Möglichkeit, dass ich sehen kann, Klassifikation, Ergebnisse? Jede Hilfe sehr geschätzt! Dank

InformationsquelleAutor supermus | 2013-01-04

4

Ich bin kein matlab-user, aber aus logischer Sicht, Sie fehlt ein wichtiger Punkt:

Den input für ein Neuronales Netz ist ein Vektor, übergeben Sie eine matrix. Damit matlab denkt, dass Sie wollen, Sie zu klassifizieren eine Reihe von Vektoren (11) in Ihrem Fall). Also der Vektor, die Sie bekommen, ist die output-Aktivierung für jede dieser 11-Vektoren.

Die output-Aktivierung ist ein Wert zwischen 0 und 1 (ich vermute, Sie sind mit Hilfe der sigmoid), so ist dies vollkommen normal. Ihre Aufgabe ist es, eine Schwelle, die passt Ihre Daten am besten. Kann man diese Schwelle mit Kreuz-Validierung auf Ihre Trainings - /Testdaten oder nur durch die Wahl eines (0.5?) und sehen, ob die Ergebnisse "gut" und ändern Sie, wenn nötig.
- Hi, auch wenn ich versuche, mit einzelnen Vektor-bekomme ich die gleiche Ausgabe. Ich habe bereits alles getan, was, die ich brauchte, mit classifier, ich will nicht zu ändern, es weiter(ja ich habe verwendet, sigmoid). Der NN trainiert mit den targets mit 0 und 1, also die Ausgabe der Klassifikation 0 oder 1 sein sollte (z.B. wenn ich getan das gleiche mit Iris B., edler sollte mir specie1 oder specie2), ich brauche nichts anderes. Wenn ich etwas verpasst, bitte korrigieren Sie mich (sind Sie versuchen zu sagen, dass für diese zahlen, die ich bekomme: wenn etwas ist, näher an 0 ist, dann ist es in der ersten Klasse, oder wenn es näher an 1 als die zweite Klasse?), Dank
- das Netz lernt einige ca. Funktion, um Ihre Eingabe. Die Ausgabe der Funktion wird in der Regel nicht eine gerade oder null ist, sondern etwas dazwischen. So die interpretation der Ausgabe (Auswahl der Schwelle) muss getan werden, um Ihre Logik basiert auf einige Metrische oder Bauchgefühl. Sie haben weitere Dokumentation für die sim Methode? Sind Sie sicher, dass Sie nur einen einzigen Vektor?
- Wenn ich einzelnen Vektor-bekomme ich eine Zahl als Ausgang, aber ich war verwirrt durch die Anzahl Bedeutung selbst. Ich habe keine Dokumentation auf der sim-Karte :/
- ah okay, denn Sie schrieb even if I try with single vector I get the same output.
- Ja, den gleichen 0 Punkt etwas für mich, bis gestern unbekannt Wert 🙂 cheers
InformationsquelleAutor Thomas Jungblut
2

NNs der Regel konvertieren Sie Ihre Ausgabe auf einen Wert im Bereich von (0,1) mit der logistischen Funktion. Es ist nicht ein Anteil oder Wahrscheinlichkeit, nur ein relatives Maß an Sicherheit. In jedem Fall bedeutet dies, dass Sie manuell zu benutzen, einen Schwellenwert (z.B. 0.5) zu unterscheiden, die zwei Klassen. Die Schwelle am besten ist, ist schwer zu finden, weil Sie müssen wählen Sie den optimalen trade-off zwischen precision und recall.
- Jungblut vielen Dank Jungs! Auch in dieser form die Ausgabe ist perfekt für mich, wie ich Sie in meinem Projekt! Weiß nicht, die Antwort zu akzeptieren 🙂
InformationsquelleAutor sfotiadis

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.