【说明：上一个螃蟹公母分类是二分类，本例为三分类】

问题定义

本示例采用神经网络从13个属性中对酒的类型进行区分：

• Alcohol

• Malic acid

• Ash

• Alkalinity of ash

• Magnesium

• Total phenols

• Flavonoids

• Nonflavonoid phenols

• Proanthocyanidins

• Color intensity

• Hue

• OD280/OD315 of diluted wines

• Proline

为何选用神经网络？

神经网络擅长于模式识别问题。包含足够多神经元的神经网络可以以任意精度逼近任意数据，因此尤其适用于非线性问题。

输入：13项特征；

输出：三分类中的一种。

数据准备

与之前文章中的描述类似，输入矩阵为X，输出为矩阵T。

[x,t] = wine_dataset;
size(x)
size(t)

>>  size(x)
ans =
    13   178
>> size(t)
ans =
     3   178

 【说明：鉴于上一篇的分析中，高维数据分类问题在低维数据投影过程中很难看到规律，下面直接开始采用神经网络进行分类。】

采用神经网络进行模式识别

初始化随机数种子

setdemorandstream(491218382)

采用10层隐藏层网络。

net = patternnet(10);
view(net)

得到如下所示神经网络。

  目前的网络已经可以进行训练。在本示例中，会自动对训练集training set、验证集validation set和测试集test set进行划分。其中，训练集的目的是对网络进行训练。训练的结果将使得网络对验证集的数据可以进行拟合。测试集独立地对训练后的网络拟合精度进行评估。

[net,tr] = train(net,x,t);
nntraintool
nntraintool('close')

得到如下界面

性能分析

Performance:

 从图中可以看出，在前30轮迭代中，在验证集中没有出现先下降后上升的典型趋势。

从Confusion中也可以看出，分类效果不佳。原因在哪里？

 从Training State中可以看出，训练过程中梯度损失很快，在第32次iteration时，梯度只有4.96E-7，达到了终止调节，训练过程自动终止。