吴恩达的机器学习-MultiClass_Classification

最新推荐文章于 2025-02-03 21:52:26 发布

原创最新推荐文章于 2025-02-03 21:52:26 发布 · 353 阅读

1 ·

CC 4.0 BY-SA版权

机器人学习专栏收录该内容

28 篇文章

订阅专栏

本文通过使用MATLAB编程，实现了一个简单的神经网络模型，用于处理多分类问题。首先，从'DataMulti.txt'文件中加载数据，并将其分为训练集和测试集。接着，通过迭代更新权重，使网络能够学习到数据的内在规律。最终，使用训练得到的权重对测试数据进行预测，评估模型的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

clc
clear all
close all

rate=0.02;
qp=zeros(3,3);
data = load('DataMulti.txt');

data = data(:, 1:2);

data = data(1:30, :);
label = [ones(5, 1); zeros(5, 1)];
plot(data(:,1),data(:,2),'*');
trainData = data(1:30, :);
trainData =[ones(size(trainData,1),1) trainData]
q=[1;1;1];
h=trainData*q
g=(1./(1+exp(-h)));

datay=[ones(10,1);zeros(20,1)];

for i=1:100000
q=q-(rate/30)*((g-datay)'*trainData)'
h=trainData*q;
g=(1./(1+exp(-h)));
df=((g-datay)'*trainData)';
if abs(max(df))<0.1
break;
end
end

qp(1:3,1)=q;

q=[1;1;1];
h=trainData*q;
g=(1./(1+exp(-h)));

datay=[zeros(10,1);ones(10,1);zeros(10,1)];
for i=1:100000
q=q-(rate/30)*((g-datay)'*trainData)'
h=trainData*q;
g=(1./(1+exp(-h)));
df=((g-datay)'*trainData)';
if abs(max(df))<0.1
break;
end
end

qp(1:3,2)=q;
h=trainData*q;
g=(1./(1+exp(-h)));

q=[1;1;1];
h=trainData*q;
g=(1./(1+exp(-h)));

datay=[zeros(20,1);ones(10,1)];
for i=1:100000
q=q-(rate/30)*((g-datay)'*trainData)'
h=trainData*q;
g=(1./(1+exp(-h)));
df=((g-datay)'*trainData)';
if abs(max(df))<0.1
break;
end
end

qp(1:3,3)=q;

h=trainData*q;
g=(1./(1+exp(-h)));

%%%测试下训练的结果如何

data = load('DataMulti.txt');

testData = data(31:33, 1:2);
testData =[ones(size(testData,1),1) testData]

h=testData*qp;
g=(1./(1+exp(-h)));

数据的部分，前三十组数据用来训练，最后三组数据用来测试，，最后得出的g是3X3矩阵，其矩阵的出现的概率

表示其模板分别在不同的系数下算出来的概率，这样最高的概率表示对于出现的模板

0.5 0.1
0.5 0.2
0.1 0.3
0.1 0.1
0.1 0.2
0.3 0.2
1.2 0.1
0.5 0.1
0.1 0.2
0.6 0.3

2.8 0.1
2.5 0.1
2.6 0.2
2.1 0.2
2.5 0.2
2.8 0.3
2.9 0.1
2.5 0.1
2.1 0.2
2.6 0.3

2.0 2.6
2.5 2.3
2.6 2.2
2.1 2.3
2.5 2.4
2.8 2.3
2.9 2.9
2.2 2.7
2.1 2.2
2.3 2.7

2.1 0.4
2.2 2.5
0.1 0.2