用神经网络分类矩阵和矩阵的转置
设A是一个9*9的随机矩阵,让矩阵的每个格子都是一个0到1之间的随机数。A^T是矩阵A的转置。测试集由1000个A和A^T组成,这个网络是否可以收敛并分类?
在收敛误差δ一致的前提下,实验统计了7组收敛误差δ,每组收敛误差收敛199次,统计平均值。得到数据如下
9*9 |
||||||||||||
f2[0] |
f2[1] |
迭代次数n |
平均准确率p-ave |
1-0 |
0-1 |
δ |
耗时ms/次 |
耗时ms/199次 |
耗时 min/199 |
最大值p-max |
迭代次数标准差 |
pave标准差 |
0.499498 |
0.49809 |
10.90955 |
0.500035 |
0.557819 |
0.442251 |
0.5 |
26.81407 |
5336 |
0.088933 |
0.5255 |
11.26349 |
0.003822 |
0.53774 |
0.462017 |
24827.81 |
0.504281 |
0.77495 |
0.233613 |
0.4 |
545.0704 |
108472 |
1.807867 |
0.514 |
2953.655 |
0.003854 |
0.490303 |
0.509541 |
127786.5 |
0.511249 |
0.61295 |
0.409548 |
0.3 |
2722.774 |
541837 |
9.030617 |
0.5205 |
17410.29 |
0.003752 |
0.550817 |
0.449115 |
209571.7 |
0.507741 |
0.628131 |
0.387352 |
0.2 |
4392.603 |
874132 |
14.56887 |
0.5235 |
15133.06 |
0.005972 |
0.449076 |
0.550917 |
276271 |
0.505261 |
0.592126 |
0.418397 |
0.1 |
5901.533 |
1174425 |
19.57375 |
0.527 |
20397.54 |
0.007861 |
0.448115 |
0.551887 |
427154.3 |
0.502309 |
0.527935 |
0.476683 |
0.01 |
9562.055 |
1902855 |
31.71425 |
0.5275 |
30589.25 |
0.009812 |
0.467382 |
0.532618 |
561370.3 |
0.501595 |
0.512362 |
0.490829 |
0.001 |
12240.93 |
2435961 |
40.59935 |
0.528 |
48150.88 |
0.010577 |
可以观察到迭代次数n随着δ的减小而增大,但分类准确率都约为50%。表明这个网络是可收敛的但不可分类。
矩阵A和A的转置的数值分布显然是有差异的,这个差异导致网络可以收敛。那为什么差异存在确无法分类?
一个可能的解释是,A的转置的转置是A,也就是由A变化到A的转置,和由A的转置变化到A的操作是一样的。
A和A的转置的训练集之间虽然存在差异,但这种差异表达的是同一种操作。让神经网络分类A和A的转置就意味这分类到底是由A转置为A的转置,还是由A的转置转置为A。这两种操作是一样的,所以不可被分成两类,或者表达为分成两类的概率相同,所以分类准确率是50%,形成双重态。
所以如果训练集之间的差异表达的是分类对象之间的相互关系,则两个分类对象之间的相互关系可以有三种
不可收敛 |
不可分类 |
相同的两个对象 |
|
可收敛 |
不可分类 |
双重态 |
|
可收敛 |
可分类 |
不同的两个对象 |
用神经网络分类矩阵和矩阵的转置相关推荐
- 用神经网络分类3*3矩阵
0 1 2 3 4 5 6 7 8 用前面一样的固定收敛标准,多次测量取平均值的办法比较不同的输入对迭代次数和分类准确率的影响. 一共设计了三组输入 A B 0 4 8 < > ...
- ANN神经网络分类2*2矩阵:吸引子和反鞍点cfa-cp
用吸引子和反鞍点做训练集用排斥子和吸引子做测试集,通过改变测试集吸引子和排斥子的比例观察分类效果,并总结规律. r1 r2 <1 <1 吸引子 c >1 >1 排斥子 ...
- BP神经网络分类2*2对角矩阵准确率数据汇总
r1 r2 <1 <1 吸引子 c >1 >1 排斥子 p >1 <1 鞍点 a <1 >1 反鞍点 fa 用c,p,a,fa做训练集,用不同比 ...
- 2*2矩阵训练集比例对BP神经网络分类性能影响
r1 r2 <1 <1 吸引子 c >1 >1 排斥子 p >1 <1 鞍点 a <1 >1 反鞍点 fa 构造一个网络 d2( x(a||fa ...
- 多目标分类的混淆矩阵_用于目标检测的混淆矩阵
多目标分类的混淆矩阵 After training a machine learning classifier, the next step is to evaluate its performanc ...
- python多分类画混淆矩阵_【AI基础】分类器评估一:混淆矩阵、准确率、精确率、召回率、灵敏度、特异度、误诊率、漏诊率...
混淆矩阵 在机器学习中尤其是统计分类中,混淆矩阵(confusion matrix),也被称为错误矩阵(error matrix).之所以叫做混淆矩阵,是因为能够很容易的看到机器学习有没有将样本的类别 ...
- 图神经网络(一)图信号处理与图卷积神经网络(1)矩阵乘法的三种方式
图神经网络(一)图信号处理与图卷积神经网络(1)矩阵乘法的三种方式 1.1 矩阵乘法的三种方式 参考文献 图信号处理(Graph Signal Processing,GSP) 1是离散信号处理(D ...
- 使用Excel分析数据学习笔记之 二分类与混淆矩阵
使用Excel分析数据学习笔记之 二分类与混淆矩阵 混淆矩阵的构成: e.g.1:Bombers and seagulls 案例背景 混淆矩阵 如何根据混淆矩阵得到ROC曲线? 如何设定最佳阈值(op ...
- python实现矩阵共轭和共轭转置
python实现矩阵共轭和共轭转置 (以IDLE上操作为例.完整代码在下方) 创建一个矩阵: >>> import numpy as np >>> e = np.m ...
最新文章
- 只要有热情和方法就能学好Linux
- LIVE 预告 | 佐治亚理工杨笛一:少数据,多框架的自然语言处理
- python 爬虫 ,抓取所有豆瓣好友读的书,列出读过最多的书。(模拟loging豆瓣)...
- 多线程:Executor、Sleep、Deamon、Yeild
- wordpress 新建php文件大小,WordPress最大上传文件大小限制修改
- Pandas Index 属性
- 深度为你解答怎么避免域名被微信拦截,微信域名防封需要注意哪些问题?
- 解读 Kotlin/Native 技术预览版
- 【图像融合】基于matlab curvelet变换图像融合(评价指标)【含Matlab源码 781期】
- mysql建表语句转hive sql
- C陷阱与缺陷(二)语义“陷阱”、连接
- 工业级无线路由器自助设备无线联网
- 阿里网盘资源查找使用技巧
- 60 集合的交集、并集和差集运算
- 设计递归函数模拟汉诺塔游戏
- Win11添加日语输入法的教程
- 手机短信直接跳转到微信关注公众号或者添加好友的方案
- 你需要偷偷珍藏的java兼职平台
- HTML送朋友的唯美新年贺卡/祝福贺卡/生日礼物/情人节礼物
- oeasy 教您玩转 linux 010400 总结 summary