Feedforward-neurale Netzwerk-Klassifizierung in Matlab

Question

Ich habe zwei Gaussian Verteilung Proben, eine Guassian enthält 10.000 Proben und die andere Gaussian enthält auch 10.000 Proben, würde ich gerne ein Feed-Forward neuronalen Netzwerk mit diesen Proben, aber ich weiß nicht, wie viele Proben, die ich nehmen muss, um eine optimale Entscheidungsgrenze zu erhalten. Hier ist der Code, aber ich weiß nicht genau, die Lösung und die Ausgabe sind komisch.

x1 = -49:1:50; 
x2 = -49:1:50; 
[X1, X2] = meshgrid(x1, x2); 
Gaussian1 = mvnpdf([X1(:) X2(:)], mean1, var1);// for class A 
Gaussian2 = mvnpdf([X1(:) X2(:)], mean2, var2);// for Class B 
net = feedforwardnet(10); 
G1 = reshape(Gaussian1, 10000,1); 
G2 = reshape(Gaussian2, 10000,1); 
input = [G1, G2]; 
output = [0, 1]; 
net = train(net, input, output); 

Wenn ich den Code lief es mir seltsam Ergebnisse. Wenn der Code nicht korrekt ist, kann mir jemand bitte vorschlagen, dass ich eine Entscheidungsgrenze für diese beiden Distributionen bekomme.

Answer 1

Ich bin mir ziemlich sicher, dass die Eingabe die Gaußsche Verteilung sein muss (und nicht die x Koordinaten). In der Tat muss das NN die Beziehung zwischen den interessierenden Phänomenen selbst (den Gauß-Verteilungen) und den Ausgabe-Labels verstehen und nicht zwischen dem Raum, in dem die Phänomene und die Label enthalten sind. Darüber hinaus, wenn Sie die x Koordinaten wählen, wird der NN versuchen, eine Beziehung zwischen den letzteren und den Ausgabe Etiketten zu verstehen, aber die x sind etwas von potenziell konstant (dh die Eingabedaten können sogar alle gleich sein, weil Sie haben können sehr unterschiedliche Gauß-Verteilung im gleichen Bereich der x Koordinaten nur die Mittelwert und die Varianz zu variieren). Daher wird die NN verwirrt, weil die gleichen Eingabedaten mehr Ausgabebezeichnungen haben (und Sie wollen nicht, dass dieses Ding passiert !!!).
Ich hoffe, ich war hilfreich.

P.S .: Zweifelns muss ich Ihnen sagen, dass das NN nicht sehr gut zu den Daten passt, wenn Sie ein kleines Trainingset haben. Vergessen Sie außerdem nicht, Ihr Datenmodell mit der Cross-Validation-Methode zu validieren (eine gute Faustregel ist, dass Sie 20% Ihres Trainingssatzes für den Kreuzvalidierungssatz und weitere 20% des gleichen Trainingssatzes für den Test verwenden) Stellen Sie also nur die restlichen 60% Ihres Trainingssets ein, um Ihr Modell zu trainieren.