شما اینجائید:خانه»شبیه سازی پروژه»طبقه بندي ديتاست IRIS با شبکه عصبي MLP تک لايه در پايتون
طبقه بندي ديتاست IRIS با شبکه عصبي MLP تک لايه در پايتون
ارسال شده توسط:Papersimتاریخ ارسال: 2019/08/22در شبیه سازی پروژهدیدگاهها برای طبقه بندي ديتاست IRIS با شبکه عصبي MLP تک لايه در پايتون بسته هستند
چکيده:
کتابخانه هاي استفاده شده: کتابخانه ي نامپاي و سايکيت لرن و مت پلات و سي برن به ترتيب براي محاسبات ماتريسي و تقسيم داده ها و محاسبه صحت و رسم نمودار و لود کردن دادههاي iris استفاده شده است.
توابع تعريفي و کدهاي لازم براي پياده سازي شبکه
يکسوسازReLU
در اين تابع خروجي ها به ازاي ورودي هاي منفي، صفر و به ازاي اعداد مثبت مي باشد. از اين تابع در Neural network و بخصوص Deep neural network استفاده مي شود.
تابع SoftMax
تابع فعال سازي relu تنها زماني کار مي کند که به عنوان يک تابع فعال ساز در لايه هاي پنهان يک شبکه عصبي استفاده شود ، بنابراين من انتخاب کردم تا در لايه خروجي از تابع فعال سازي SoftMax استفاده کنم. SoftMax مقادير خروجي را به راحتي در محدوده صفر و تا يک مي برد. از آنجايي که تمام احتمالات که به سمت لايه خروجي مي روند برابر 1 خواهند بود ، تابع فعال ساز SoftMax طبقه بندي با بالاترين احتمال را انتخاب مي کند.
تابع forward
شبکه عصبي داده هاي ورودي را به جلو منتقل مي کند. داده ها در هر لايه با استفاده از عملکرد f (x) = wx + b محاسبه مي شوند و مقادير w = وزن ، x مقادير ورودي و b شيب لايه است. سپس پس از محاسبه اين مقدار در هر لايه ، آن را از تابع فعال ساز مرتبط رد مي کند تا از طريق شبکه عصبي به جلو حرکت کند.
تابع backprop
اين مرحله فرايندي است که شبکه عصبي در آن آموزش مي بيند ، زيرا خطاي گره هاي خروجي را مشخص مي کند. در هر مرحله از خطاي شبکه مشتق گرفته و برابر صفر قرار داده مي شود تا خطاي حاصل از شبکه در هر مرحله بهبود يابد.
نتيجه گيري
معيار صحت براي دادههاي آموزش و آزمون محاسبه شده است و نتايج حاصله به صورت زير است:
Accuracy on test data: 0.8924
عنوان پروژه
طبقه بندي ديتاست IRIS با شبکه عصبي MLP تک لايه در پايتون