Точность нейронной сети Выход-Matlab ANN Toolbox

Question

Я относительно новичок в Matlab ANN Toolbox. Я тренирую NN с распознаванием образов и целевой матрицей 3x8670, содержащей 1s и 0s, используя один скрытый слой, 40 нейронов, а остальные - по умолчанию. Когда я получаю имитируемый вывод для нового набора входов, значения примерно равны 0 и 1. Затем я упорядочиваю их в порядке убывания и выбираю фиксированное число (которое, как мне известно) из 8670 наблюдений, равным 1, и остальное равна нулю.

Каждый раз, когда я запускаю программу, первая строка моделируемого выхода всегда имеет точность почти 100%, а следующие строки не имеют такой же точности.

Есть ли логическое объяснение в целом? Я понимаю, что ответ на этот запрос окончательно может потребовать понимания программ и проблем, но его из нескольких функций ясно объяснить. Могу ли я внести некоторые изменения в тренинг, чтобы получить результат консистенции?

Если у вас есть предложения, поделитесь им со мной.

Спасибо,

Nishant

Answer 1

Ваша постановка задачи не ясно для меня. Например, что вы подразумеваете под: «Затем я упорядочиваю их в порядке убывания и выбираю фиксированное число ...»

Как я понимаю, вы не получили соответствующего результата от своего NN по сравнению с реальной целью. Я имею в виду, что ваш вывод из NN отличается от цели. Если это так, существуют различные возможности, которые следует учитывать:

1. Как вы разделите учебные/тестовые/валидационные наборы для фазы обучения? Наибольшее разделение должно быть назначено на обучение (около 75%) и отдых для тестирования/валидации.

2. Как тренировать данные в данных? Может ли он поддерживать большинство сценариев, как вы ожидали? Если ваш подготовленный набор данных несколько не похож на ваши тестовые наборы данных (например, у вас есть несколько новых записей/образцов в наборе тестовых данных, которые не были (рядом) появятся на этапе обучения, это объясняет как «outlier», а NN не может работайте эффективно с этими типами образцов, поэтому вам нужен подход к кластеризации, а не метод классификации NN), ваши результаты от NN находятся за пределами диапазона, и NN не может обеспечить идеальную точность по мере необходимости. NN хорош для обучения данных, где нет никакой разницы между наборами учебных и тестовых данных. В противном случае NN не подходит.

3. Иногда у вас есть соответствующий набор данных для обучения, но проблема заключается в обучении. В этом случае вам понадобятся другие типы NN, потому что NN NR, такие как MLP, не могут работать с уплотненными и не хорошо разделенными областями данных очень хорошо. Вам нужно сильное приближение функции, такое как RBF и SVM.