本文主要是介绍使用浅层神经网络进行模式识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
目录
定义问题
使用神经网络模式识别进行模式识别
使用命令行函数进行模式识别
选择数据
选择训练算法
创建网络
划分数据
训练网络
测试网络
查看网络
分析结果
后续步骤
除了函数拟合，神经网络也擅长识别模式。
例如，假设要根据细胞大小、肿块厚度、有丝分裂等特征的均匀性将肿瘤分为良性或恶性。有699个样本，相关特征有9项，并且这些案例已正确分类为良性或恶性。
与函数拟合一样，解决此问题的方法有两种：
-
使用神经网络模式识别，如使用神经网络模式识别进行模式识别中所述。
-
使用命令行函数，如使用命令行函数进行模式识别中所述。
一般最好从 App 开始，然后使用该 App 自动生成命令行脚本。在使用任何方法之前，首先通过选择数据集来定义问题。每个神经网络 App 都可以访问许多采样数据集，可以使用这些数据集来试验工具箱。如果有要解决的特定问题，可以将自己的数据加载到工作区中。下一节介绍数据格式。
注意
要以交互方式构建、可视化和训练深度学习神经网络，请使用深度网络设计器。
定义问题
要定义模式识别问题，请将一组输入向量（预测变量）排列为一个矩阵中的列。然后排列另一组响应向量，指示观测值分配到的类。
当只有两个类时，每个响应向量有两个元素，即 0 和 1，指示对应的观测值属于哪个类。例如，可以定义一个两类分类问题，如下所示：
predictors = [7 10 3 1 6; 5 8 1 1 6; 6 7 1 1 6];
responses = [0 0 1 1 0; 1 1 0 0 1];数据由五个观测值组成，每个观测值有三个特征，归入两个类之一。
当预测变量要分类为 N 个不同的类时，则响应向量具有 N 个元素。对于每个响应变量，有一个元素为 1，其他元素为 0。例如，下文展示了如何定义一个将 5×5×5 立方体的各个角分为三类的分类问题&#x
这篇关于使用浅层神经网络进行模式识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
