鶯尾花是什麼類別

人工神經網路（ANN）

或通常僅稱為

神經網路（NN）

，是基於人類神經系統建模的一組小型處理單元的網路。

ANN

是一種自適應系統，可以根據流經網路的外部和內部資訊改變其結構以解決問題。由於其自適應性，

ANN通常

也稱為自適應網路。

一般來說，

ANN中

的圖層分為三個部分：

輸入層（

Input

）是其從變數X的所有接收輸入資料

的神經元

在這個層可連線到

神經元的

隱藏層，如果網路不使用隱藏層可以直接到輸出層。

隱藏層（

Hidden

）由從輸入層接收資料的

神經元

組成。

輸出層（

Output

）是從隱藏層從象徵X的luarannya值計算結果到值Y輸出層接收資料。

同時，iris（鳶尾屬植物）在機器學習領域因其分類實驗而廣為人知。鳶尾花有3種品種，即Versicolor，Virginica和Setosa。然後每個物種都有不同的萼片長度，萼片寬度，花瓣長度和花瓣寬度，以

釐米

為單位。

現在在這個實驗中，我們將使用R對鳶尾屬植物上的物種進行分類。

首先啟用nnet包

library（nnet）

如果不熟悉nnet軟體包，那麼可以輸入“help（nnet）”來檢視網路軟體包是否在R中。

2。之後，我們將使用已經在R中可用的鳶尾屬植物資料集。在R中，有兩種型別的資料集切片，即“iris2”和“iris3”，以檢視差異，然後輸入如下，

data（“iris”）irisdata（“iris3”）iris3

顯示如下

iris資料集

iris3資料集

在虹膜資料集中，有5個變數，其中一個是物種變數，而在iris3資料集中，有4個變數是根據物種收集的。因此，因為物種將被分類為虹膜，所以要使用的資料是虹膜3資料。

3。結合iris3的資料、setosa、versicolor和virginica物種的資料。

​​​​​​​ir<-rbind（iris3［，，1］，iris3［，，2］，iris3［，，3］）ir

上面的語法是包含iris［，，1］， iris［，，2］ ， iris［，，3］的所有資料。

4。之後製作一個

target

，這個目標是一個將在以後分類的物種。

​​​​​​​target<-class。ind（c（rep（“setosa”，50），rep（“versicolor”，50），rep（“virginica”，50）））target

在

target

上，每個分類都有50個數據。

5。接下來，將150個數據分成

資料序列

和

測試資料

。然後使用以下語法將資料劃分為資料序列。

samp<-c（sample（1：50，25），sample（51：100，25），sample（101：150，25））

樣本（1：50，25）

表示從第1個數據到第50個數據，將獲取25個數據用於資料

訓練

，

樣本（51：100，25）

意味著從第51個數據到第100個數據將採取25個數據對於資料訓練，

樣本（101：150。25），這

意味著從第101個數據到第150個數據將採取25個數據進行資料訓練。

然後呼叫

samp

，然後顯示如下。

iris。train<-ir［samp，］iris。trainiris。test<-ir［-samp，］iris。test

所以我們得到了75個數據的資料序列。同時，75個數據的剩餘（

［-samp］

）將用作測試資料。

6。接下來，為iris中的物種分類過程製作一個數據。

ir1<-nnet（ir［samp，］，targets［samp，］，size = 2， rang = 0。1， decay = 5e-4，maxit = 600） ir1

在

ir1中

，

size

是

隱藏層

的數量，

rang

是從-0。1到+0。1 的

隨機初始權重

，

decay

是

權重衰減

的

引數

，

maxit

是最大迭代。

然後輸出如下。

從

ir1，

它解釋了4種輸入，即Sepal Lenght，Sepal Width，Petal Lenght和Petal Width。然後根據大小的內容有2個隱藏層，並且還將產生3個輸出用於分類由setosa，versicolor和virginica的物種組成。

要檢視nnet圖，可以使用以下語法。

plot。nnet（ir1）

因此，來自Nnet的外觀如下所示。

7。接下來看看準確度是多少。

test。cl<- function（true，pred） {true<-max。col（true）pred<-max。col（pred）table（true，pred）}test。cl（targets［samp，］，predict（ir1，ir［-samp，］））

所以它看起來如下。

從上面的輸出中，獲得了96％的準確率，據說這個精度水平非常好，因此它可以用於對鳶尾屬植物進行分類。

8。輸入新的花卉資料，以檢視進入物種setosa或versicolor或virginica的新花。新花的萼片長度= 6。0，萼片寬度= 2。7，花瓣長度= 4。9，花瓣寬度= 2。8。

bungabaru<-c（6，2。7，4。9，2。8）bungabarupredict（ir1，bungabaru）round（predict（ir1，bungabaru））

然後輸出如下。

事實證明，新花是鳶尾屬植物。

希望這裡對你有用