手書き数字の合成イメージで構成されているデータを読み込みます。XTrainはイメージの 28 x 28 x 1 x 5000 配列で、ytrainはイメージ ラベルを含む categorical ベクトルです。

[Xtrain，Ytrain] = DigitTrain4DarrayData;谁是ytrain

Name Size Bytes Class Attributes YTrain 5000x1 6062 categorical

畳み込みニューラル ネットワークのアーキテクチャを定義します。

layers = [imageInputlayer（[28 28 1]）卷积2Dlayer（3,8，'Padding','相同的') batchNormalizationLayer reluLayer convolution2dLayer(3,16,'Padding','相同的','Stride',2) batchNormalizationLayer reluLayer convolution2dLayer(3,32,'Padding','相同的','Stride',2) batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];

学習オプションを指定し、ネットワークに学習させます。

选项=训练（'sgdm',...“MaxEpochs”，5，...'Verbose'，错误的，...“阴谋”,'training-progress'); net = trainNetwork(XTrain,YTrain,layers,options);

テスト データを読み込み、学習済みネットワークを使用して分類します。

[XTest,YTest] = digitTest4DArrayData; YPredicted = classify(net,XTest);

真のテスト ラベルYTestおよび予測ラベルYPredictedの混同をプロットし。。

plotconfusion(YTest,YPredicted)

行た（出力出力）ににに，，クラスクラス（ターゲットターゲットクラスクラスクラスクラスクラスクラスクラスクラスクラスににににします。対角线上上のセルセルは，，正しく正しくさた，误れ観测値対応対応観测の数数と観测値値の総数に対する割合のの両方両方ががが各

プロットの右端の列は、各クラスに属していると予測されたすべての例について正しく分類された例と誤分類された例の割合を示します。これらのメトリクスは通常、それぞれ精度 (または陽性の予測値) および偽発見率と呼ばれます。プロットの下部の行は、各クラスに属しているすべての例について正しく分類された例と誤分類された例の割合を示します。これらのメトリクスは通常、それぞれ再現率 (または真陽性率) および偽陰性率と呼ばれます。プロットの右下のセルは、全体の精度を示します。

すべての Figure を閉じます。

close(findall(groot,'Type','数字'))

関数cancer_datasetを使用して標本データを読み込みます。XTrainは、699 個の生検データの 9 個の属性を定義する 9 行 699 列の行列です。ytrainは 2 行 699 列の行列で、各列は対応する観測値の正しいカテゴリを示します。ytrainの各列には 1 番目または 2 番目の行に 1 に等しい要素が 1 つあり、それぞれは良性または悪性の癌に対応しています。このデータセットの詳細を表示するには、コマンド ラインでhelp cancer_datasetと入力します。

RNGdefault[Xtrain，Ytrain] = cancer_dataset;ytrain（：，1：10）

ans =2×101 1 1 0 1 1 0 0 0 1 0 0 0 1 0 0 1 1 1 0

パターン認識ネットワークを作成し、標本データを使用して学習させます。

net = patternnet(10); net = train(net,XTrain,YTrain);

学習済みネットワークを使用して癌の状態を推定します。行列YPredictedの各列はそれぞれクラスクラスクラスとととにている観测値の予测确确率が含まますますい

YPredicted = net(XTrain); YPredicted(:,1:10)

ans =2×100.9980 0.9979 0.9894 0.0578 0.9614 0.9960 0.0026 0.0023 0.0084 0.9944 0.0020 0.0021 0.0106 0.9422 0.0386 0.0040 0.9974 0.9977 0.9916 0.0056

混同行列をプロットします。プロットを作成するために、plotconfusionで最も确率にて各観测にをを付けます。

plotConfusion（Ytrain，Ytrain）

この図では、最初の 2 つの対角線上のセルが、学習済みネットワークによる正しい分類の数および比率を示します。たとえば、446 個の生検データが良性に正しく分類されているとします。これは 699 個のすべての生検データの 63.8% に相当します。同様に、236 個のケースが悪性に正しく分類されています。これはすべての生検データの 33.8% に相当します。

悪性の生検データのうち 5 個が誤って良性に分類されており、これはデータに含まれる 699 個のすべての生検データの 0.7% に相当します。同様に、良性の生検データのうち 12 個が誤って悪性に分類されており、これはデータ全体の 1.7% に相当します。

451年個の良性予測のうち,98.9%が正しく,1.1%が誤りです。248 個の悪性予測のうち、95.2% が正しく、4.8% が誤りです。458 個の良性ケースのうち、97.4% が正しく良性と予測されており、2.6% が悪性と予測されています。241 個の悪性ケースのうち、97.9% が正しく悪性に分類されており、2.1% が良性に分類されています。

97.6％が2.4％がががが，はます。。。。。。。。