Ví dụ này cho thấy một mạng lưới thần kinh chức năng phù hợp có thể ước tính giá nhà trung bình cho một khu phố dựa trên nhân khẩu học lân cận

Ví dụ này cho thấy một mạng lưới thần kinh chức năng phù hợp có thể ước tính giá nhà trung bình cho một khu phố dựa trên
nhân khẩu học lân cận.
Trên trang này
Vấn đề: Ước tính giá trị nhà
Mạng Neural Tại sao?
Chuẩn bị dữ liệu
Lắp một chức năng với một mạng Neural
Kiểm tra mạng Neural
Vấn đề: Ước tính giá trị nhà
Trong ví dụ này, chúng tôi cố gắng để xây dựng một mạng lưới thần kinh có thể ước tính giá trung bình của một ngôi nhà trong
một khu phố được mô tả bởi mười ba thuộc tính nhân khẩu học:
Tỷ lệ tội phạm 1. bình quân đầu người mỗi thị trấn
2 Tỷ lệ đất khu dân cư quy hoạch nhiều hơn 25.000 dặm vuông. Ft.
3. tỷ lệ mẫu kinh doanh không bán lẻ trên thị trấn
4. 1 nếu giới hạn đường sông Charles, 0 nếu ngược lại
5. nitric oxit tập trung (phần 10 triệu)
6 số trung bình mỗi phòng ở
7 Tỷ lệ đơn vị chủ sở hữu chiếm đóng được xây dựng trước năm 1940
8 khoảng cách trọng để năm trung tâm việc làm Boston
9 Chỉ số tiếp cận đường cao tốc hướng tâm
Tỷ lệ thuế tài sản 10 có đầy đủ các giá trị cho mỗi $ 10.000
11 tỷ lệ học sinh-giáo viên của thị trấn
12. 1000 (Bk - 0.63) ^ 2
Tình trạng thấp hơn 13 phần trăm dân số
Đây là một ví dụ về một vấn đề phù hợp, nơi đầu vào được khớp với kết quả đầu ra mục tiêu liên quan, và chúng tôi muốn tạo ra
một mạng lưới thần kinh mà không chỉ ước tính các mục tiêu được biết đến cho đầu vào được biết đến, nhưng có thể khái quát để
đánh giá chính xác kết quả đầu ra cho các đầu vào đó là không được sử dụng để thiết kế các giải pháp.
Mạng Neural Tại sao?
Mạng lưới thần kinh rất tốt vấn đề chức năng phù hợp. Một mạng lưới thần kinh có đủ các yếu tố (gọi là tế bào thần kinh) có thể
phù hợp với bất kỳ dữ liệu với độ chính xác tùy ý. Họ đặc biệt rất thích hợp để giải quyết vấn đề phi tuyến tính. Do tính chất phi
tuyến tính của các hiện tượng thế giới thực, như định giá nhà, các mạng thần kinh là một ứng cử viên tốt để giải quyết vấn đề.

Các thuộc tính thirteeen khu phố sẽ hoạt động như đầu vào cho một mạng lưới thần kinh, và giá nhà trung bình sẽ là mục tiêu.
Mạng lưới này sẽ được thiết kế bằng cách sử dụng các thuộc tính của các khu phố có trung bình giá trị nhà đã được biết đến để
đào tạo nó để tạo ra định giá mục tiêu.
Chuẩn bị dữ liệu
Dữ liệu cho các chức năng phù hợp các vấn đề được thiết lập cho một mạng lưới thần kinh bằng cách tổ chức dữ liệu vào hai ma
trận, ma trận đầu vào X và T. ma trận mục tiêu
Mỗi cột thứ i của ma trận đầu vào sẽ có mười ba yếu tố đại diện cho một khu vực có giá trị trung bình của ngôi nhà đã được biết
đến.
Mỗi cột tương ứng của ma trận mục tiêu sẽ có một yếu tố, đại diện cho giá nhà trung bình trong 1000 đô la.
Dưới đây là một số liệu đó được tải.
[X, t] = house_dataset;
Chúng ta có thể xem kích thước của các yếu tố đầu vào X và mục tiêu T.
Lưu ý rằng cả X và T có 506 cột. Những đại diện cho 506 khu phố thuộc tính (đầu vào) và liên quan đến giá trị nhà trung bình
(mục tiêu).
Ma trận đầu vào X có mười ba hàng, cho các thuộc tính mười ba. Ma trận mục tiêu T chỉ có một hàng, đối với mỗi ví dụ, chúng
tôi chỉ có một đầu ra mong muốn, giá trị nhà trung bình.
Kích thước (x)
Kích thước (t)
ans =
13 506
ans =
1 506
Lắp một chức năng với một mạng Neural
Bước tiếp theo là tạo ra một mạng lưới thần kinh sẽ học để ước tính giá trị nhà trung bình.
Kể từ khi mạng lưới thần kinh bắt đầu với trọng lượng ban đầu ngẫu nhiên, kết quả của ví dụ này sẽ khác nhau đôi chút mỗi khi
nó được chạy. Các hạt giống ngẫu nhiên được thiết lập để tránh sự ngẫu nhiên này. Tuy nhiên điều này là không cần thiết cho các
ứng dụng của riêng bạn.
setdemorandstream (491218382)
Hai lớp (tức là một lớp ẩn) nguồn cấp dữ liệu mạng lưới thần kinh về phía trước có thể phù hợp với bất kỳ mối quan hệ đầu vào-
đầu ra cho đủ tế bào thần kinh trong lớp ẩn. Lớp mà không phải là lớp đầu ra được gọi là lớp ẩn.

Chúng tôi sẽ cố gắng một lớp ẩn duy nhất của 10 tế bào thần kinh ví dụ này. Nói chung, các vấn đề khó khăn hơn đòi hỏi nhiều tế
bào thần kinh, và các lớp có lẽ nhiều hơn. Vấn đề đơn giản đòi hỏi tế bào thần kinh ít hơn.
Các đầu vào và đầu ra có kích thước từ 0 bởi vì mạng vẫn chưa được cấu hình để phù hợp với dữ liệu đầu vào và mục tiêu của
chúng tôi. Điều này sẽ xảy ra khi mạng được đào tạo.
net = fitnet (10);
view (net)
Bây giờ mạng đã sẵn sàng để được đào tạo. Các mẫu sẽ được tự động chia thành đào tạo, xác nhận và kiểm tra bộ. Tập huấn
luyện được sử dụng để dạy cho mạng. Đào tạo tiếp tục miễn là mạng vẫn tiếp tục cải thiện trên các thiết lập xác nhận. Các thiết
lập thử nghiệm cung cấp một biện pháp hoàn toàn độc lập với độ chính xác mạng.
Công cụ Đào tạo NN cho thấy mạng được đào tạo và các thuật toán được sử dụng để đào tạo nó. Nó cũng hiển thị tình trạng đào
tạo trong quá trình đào tạo và các tiêu chí mà dừng lại đào tạo sẽ được đánh dấu màu xanh lá cây.
Các nút bấm ở phía dưới mở lô hữu ích mà có thể được mở trong và sau khi đào tạo. Liên kết bên cạnh tên thuật toán và các nút
âm mưu tài liệu mở trên những đối tượng này.
[Net, tr] = xe lửa (net, x, t);
nntraintool
Để xem cách hoạt động của hệ thống được cải thiện trong thời gian đào tạo, hoặc nhấn vào nút "Hiệu suất" trong công cụ đào tạo,
hoặc gọi PLOTPERFORM.
Hiệu suất được đo về lỗi bình phương trung bình, và thể hiện trong quy mô đăng nhập. Nó nhanh chóng giảm khi mạng được đào
tạo.
Hiệu suất được hiển thị cho mỗi việc đào tạo, xác nhận và kiểm tra bộ. Các phiên bản của mạng đó đã làm tốt nhất trên các thiết
lập xác nhận được là sau khi đào tạo.
plotperform (tr)
Kiểm tra mạng Neural
Giá trị trung bình bình phương lỗi của mạng lưới thần kinh được đào tạo có thể được đo lường đối với các mẫu thử nghiệm
với. Điều này sẽ cho chúng ta một cảm giác như thế nào mạng sẽ làm gì khi áp dụng cho dữ liệu từ thế giới thực.
testX = x (:, tr.testInd);
testT = t (:, tr.testInd);
cáu kỉnh = net (testX);
Perf = mse (net, testT, cáu kỉnh)
Perf =

8,6971
Một biện pháp như thế nào mạng lưới thần kinh có phù hợp với dữ liệu là âm mưu hồi quy. Ở đây, hồi quy được vẽ trên tất cả các
mẫu.
Cốt truyện hồi quy cho thấy kết quả đầu ra mạng thực tế vẽ về các giá trị mục tiêu có liên quan. Nếu mạng đã học được để phù
hợp với dữ liệu tốt, phù hợp với mối quan hệ tuyến tính với sản lượng mục tiêu này nên giao nhau chặt chẽ các góc phía dưới bên
trái và góc trên bên phải của cốt truyện.
Nếu đây không phải là trường hợp sau đó đào tạo thêm, hoặc đào tạo một mạng lưới với các tế bào thần kinh ẩn hơn, sẽ được
khuyến khích.
y = ròng (x);
plotregression (t, y)
Một biện pháp thứ ba như thế nào mạng lưới thần kinh có dữ liệu phù hợp là biểu đồ lỗi. Điều này cho thấy các kích thước lỗi
được phân phối. Thông thường hầu hết các lỗi là gần bằng không, với rất ít lỗi xa đó.
e = t - y;
ploterrhist (e)
Ví dụ này minh họa làm thế nào để thiết kế một mạng lưới thần kinh mà ước tính giá trị nhà trung bình từ đặc khu phố.
Khám phá những ví dụ khác và các tài liệu cho cái nhìn sâu sắc hơn vào các mạng thần kinh và các ứng dụng của họ.