Comprensión de los gráficos de redes neuronales de reconocimiento de patrones de Matlab
-
21-12-2019 - |
Pregunta
Actualmente estaba haciendo un proyecto sobre clasificación de vehículos y ya casi ha terminado, pero tengo varias confusiones sobre los gráficos que obtengo de mi red neuronal.
Usé 230 imágenes. [90=Hatchbacks,90=Sedans,50=SUVs]
para clasificación en 80 puntos característicos.Así mi vInput
era un [80x230]
matriz y mi vTarget
era [3x230]
matriz
El clasificador funciona bien pero no entiendo estos gráficos o si son anormales o no.
Mi red neuronal
Luego hice clic en estos 4 gráficos en el PLOT
sección y los obtuve secuencialmente.
Trama de actuación
Estado de entrenamiento
Trama de confusión
Gráfico de características operativas del receptor
Conozco las imágenes, son muchas imágenes pero no sé nada sobre ellas.En la documentación de Matlab simplemente entrenan el sistema y trazan el gráfico.
Así que, por favor, que alguien me los explique brevemente o me muestre algunos buenos enlaces para aprenderlos.
Solución
Las dos primeras parcelas muestran estadistas de entrenamiento.
TRABAJO PLACT Muestra que quiere decir Dinámica de Errores cuadrados para todos sus conjuntos de datos en la escala logarítmica. La capacitación MSE siempre está disminuyendo, por lo que su validación y prueba MSE debe estar interesado. Su parcela muestra un entrenamiento perfecto.
Formación de estado le muestra algunas otras estadísticas de capacitación.
El gradiente es un valor del gradiente de la backpropagación en cada iteración en la escala logarítmica. 5e-7
significa que alcanzó la parte inferior del mínimo local de su función de objetivo.
La validación falla es iteraciones cuando la validación MSE aumentó su valor. Un montón de falla significa OwerTrainig, pero en su caso está bien. Matlab detiene automáticamente el entrenamiento después de que 6 falla en una fila.
Las otras dos parcelas le muestran los resultados de su simulación de red después de entrenamiento.
confusión gráfico . En su caso es 100% preciso. Las células verdes representan respuestas correctas y las células rojas representan todo tipo de respuestas incorrectas.
Por ejemplo, puede leer el primero (conjunto de entrenamiento) como: "59 muestras de la clase 1 se clasificaron correrty como Clase 1, 13 muestras de la Clase 2 se clasificaron corrertemente como Clase 2 y 6 muestras de la clase 3 fue clasificado corrertemente como clase 3 ".
TRABAJO CARACTERÍSTICA CARACTERÍSTICA DE OPERACIÓN muestra lo mismo, pero de una manera diferente: usando Roc curve :