Laboratorio Matlab: differenze tra le versioni

Da Bioingegneria Elettronica e Informatica.
(→‎Cluster Analysis: Self-Organizing Maps)
Riga 78: Riga 78:
  
 
% Plots vari
 
% Plots vari
−
figure, plotperform(tr)
+
figure, plotperform(tr) % Andamento errori
−
%figure, plottrainstate(tr)
+
figure, plotconfusion(t_train,y_train),title('Training Confusion Matrix')   % Matrice di confusione
−
%figure, ploterrhist(e)
+
%figure, plotroc(t,y)   % ROC
−
figure, plotconfusion(t_train,y_train),title('Training Confusion Matrix')
+
−
%figure, plotroc(t,y)
+
  
 
%% Test Rete
 
%% Test Rete
 
y_test = net(x_test);
 
y_test = net(x_test);
−
figure, plotconfusion(t_test,y_test),title('Test Confusion Matrix')
+
figure, plotconfusion(t_test,y_test),title('Test Confusion Matrix')   % Matrice di confusione
−
 
+
 
</syntaxhighlight>
 
</syntaxhighlight>
  
Riga 98: Riga 95:
 
[x,pca_settings] = processpca(x,0.15);    % PCA
 
[x,pca_settings] = processpca(x,0.15);    % PCA
  
−
clusters_number = 10;
+
% Dimensione
−
 
+
 
dimensions = [clusters_number];
 
dimensions = [clusters_number];
 +
 +
% Creazione rete
 
net = selforgmap(dimensions);
 
net = selforgmap(dimensions);
 +
 +
% Visualizza rete
 +
net = configure(net,x);
 
view(net)
 
view(net)
  
 +
% Criteri di stop
 
net.trainParam.epochs = 2000;
 
net.trainParam.epochs = 2000;
 +
% Stampa output nella command line
 
net.trainParam.showCommandLine = 1;
 
net.trainParam.showCommandLine = 1;
  
 +
% Addestramento Rete
 
net = train(net,x);
 
net = train(net,x);
  
−
figure,plotsompos(net,x);
+
% Plots vari
−
figure,plotsomhits(net,x);
+
figure,plotsompos(net,x);   % Pesi neuroni
−
figure,plotsomnd(net,x);
+
figure,plotsomhits(net,x); % Numero di input che attivano ogni neurone
 +
figure,plotsomnd(net,x);   % Distanze neuroni
  
 +
% Indice del cluster (neurone) dato un input
 
y = net(x);
 
y = net(x);
 
cluster_indices = vec2ind(y);
 
cluster_indices = vec2ind(y);

Versione delle 16:00, 22 mag 2019

Reti Neurali Feed-Forward

Esempio di applicazione di reti neurali artificiali.

Creazione dataset: 

  1. load cancer_dataset.mat
  2. x = cancerInputs;
  3. t = cancerTargets(1,:);
  4.  
  5. temp = [x;t];
  6. rng(0)
  7. p = randperm(size(temp,2));
  8.  
  9. train_size = floor(size(temp,2)*.8);
  10. p_train = p(1:train_size);
  11. p_test = p(train_size+1:end);
  12.  
  13. x_train = temp(1:9,p_train);
  14. t_train = temp(10,p_train);
  15.  
  16. x_test = temp(1:9,p_test);
  17. t_test = temp(10,p_test);
  18.  
  19. save('dataset2.mat','x_train','t_train','x_test','t_test')

Implementazione rete neurale: 

  1. load dataset2.mat
  2.  
  3. disp(['# Features: ',num2str(size(x_train,1))])
  4. disp(['# Samples: ',num2str(size(x_train,2))])
  5.  
  6. %% Creazione rete
  7.  
  8. % Layers nascosti
  9. % hiddenLayerSize = [20];
  10. % hiddenLayerSize = [50];
  11. hiddenLayerSize = [20,10];
  12.  
  13.  
  14. % Training Function - help nntrain
  15. trainFcn = 'traingdx'; % traingda, traingdm, traingd
  16.  
  17. % Creazione rete
  18. net = patternnet(hiddenLayerSize, trainFcn);
  19.  
  20. % Suddivisione dataset
  21. net.divideFcn = 'dividerand';
  22. net.divideParam.trainRatio = 70/100;
  23. net.divideParam.valRatio = 30/100;
  24. net.divideParam.testRatio = 0/100;
  25.  
  26. % Criteri di stop
  27. net.trainParam.epochs = 5000;;
  28. %net.trainParam.max_fail = 20;
  29. %net.trainParam.min_grad = 0;%10e-5;
  30.  
  31. % Funzione errore
  32. net.performFcn = 'mse';
  33.  
  34. % Funzioni di attivazione
  35. net.layers{end}.transferFcn = 'logsig';
  36.  
  37. % Visualizza rete
  38. view(net)
  39.  
  40. %% Inizializzazione Rete
  41. rng(0)
  42. net = configure(net,x_train,t_train);
  43. net = init(net);
  44. init_LW = net.LW;
  45. init_IW = net.IW;
  46.  
  47. %% Addestramento Rete
  48. [net,tr] = train(net,x_train,t_train);
  49. y_train = net(x_train);
  50.  
  51. % Plots vari
  52. figure, plotperform(tr) % Andamento errori
  53. figure, plotconfusion(t_train,y_train),title('Training Confusion Matrix')   % Matrice di confusione
  54. %figure, plotroc(t,y)   % ROC
  55.  
  56. %% Test Rete
  57. y_test = net(x_test);
  58. figure, plotconfusion(t_test,y_test),title('Test Confusion Matrix')   % Matrice di confusione

Cluster Analysis: Self-Organizing Maps

Implementazione rete SOM: 

  1. load filteredyeastdata.mat
  2. rng(0);
  3. [x,std_settings] = mapstd(yeastvalues');  % Normalize data
  4. [x,pca_settings] = processpca(x,0.15);    % PCA
  5.  
  6. % Dimensione
  7. dimensions = [clusters_number];
  8.  
  9. % Creazione rete
  10. net = selforgmap(dimensions);
  11.  
  12. % Visualizza rete
  13. net = configure(net,x);
  14. view(net)
  15.  
  16. % Criteri di stop
  17. net.trainParam.epochs = 2000;
  18. % Stampa output nella command line
  19. net.trainParam.showCommandLine = 1;
  20.  
  21. % Addestramento Rete
  22. net = train(net,x);
  23.  
  24. % Plots vari
  25. figure,plotsompos(net,x);   % Pesi neuroni
  26. figure,plotsomhits(net,x);  % Numero di input che attivano ogni neurone
  27. figure,plotsomnd(net,x);    % Distanze neuroni
  28.  
  29. % Indice del cluster (neurone) dato un input
  30. y = net(x);
  31. cluster_indices = vec2ind(y);

Dendrogramma: 

  1. range = 1:100;
  2. cgo = clustergram(yeastvalues(range,:),'RowLabels',genes(range),'ColumnLabels',times,'Standardize','Row');
  3. get(cgo)
Estratto da "http://www.vitoantoniobevilacqua.it/wiki/index.php?title=Laboratorio_Matlab&oldid=956"