【MATLAB深度学习工具箱】学习笔记--体脂估计Body Fat Estimation

本文主要是介绍【MATLAB深度学习工具箱】学习笔记--体脂估计Body Fat Estimation,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

介绍

本示例展示一个函数拟合神经网络如何根据解剖学测量结果估计体脂。

【注:关键词:多维数据 函数拟合 神经网络】

问题描述

在本例子中根据如下13种身体特征评估体脂。【注:具体的属性特征对学习此解决问题的逻辑影响并不大,知道是许多相关或不相关的多维度特征即可】

  • Age (years)

  • Weight (lbs)

  • Height (inches)

  • Neck circumference (cm)

  • Chest circumference (cm)

  • Abdomen circumference (cm)

  • Hip circumference (cm)

  • Thigh circumference (cm)

  • Knee circumference (cm)

  • Ankle circumference (cm)

  • Biceps (extended) circumference (cm)

  • Forearm circumference (cm)

  • Wrist circumference (cm)

为何使用神经网络? 

神经网络擅长于函数拟合问题。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。【注:拟合本身不是目的,发现因素背后的规律才是目的】

输入:13项身体特征数据;

输出:体脂率

数据准备

导入数据的方式如下:

[X,T] = bodyfat_dataset;

其中:

X为13项身体特征数据,共252行;

T为1项对应的体脂率,共252行。

>> size(X)
size(T)

ans =
    13   252
ans =
     1   252

 


【注:拿到数据后的第一反应肯定不是直接就套用某一种方法开始拟合,首先需要观察,观察数据和预期结果之间的对应关系,将主要因素心中有数】

 以下为13项因素与体脂率的对应关系。

因素1如下,直观关联性不明显。

 因素2如下,因素2的关联性比因素1明显清晰。

 因素3如下,因素3的数据大部分集中于X∈70±5的范围内,但是在X≈30的地方有一个很特殊的点,极有可能是错误数据,看后续神经网络中如何区分错误数据。

 因素4如下, 数据大致趋势和因素2接近。

因素5如下,因素5的趋势与因素4接近。

 因素6如下,因素6在X<120时规律性较好,但是在X>120后点数较少且规律性不明显。

 因素7如下,因素7与因素6规律非常接近。  

因素8如下,因素5/6/7/8规律均接近。 

 因素9如下,因素5/6/7/8/9规律接近。

 因素10如下,在X>28之后出现了部分规律反常的点。

 因素11如下,因素5/6/7/8/911规律接近。 

 因素12如下,因素12整体散差较大,规律性不明显。

 因素13如下,因素13整体散差也较大,规律性不明显。

 综合以上13幅图,可以基本归纳如下特点:

(1)大部分因素与体脂率正相关;

(2)部分因素散差较大,规律不明显;

(3)个别因素中有坏点。

后续评估采用神经网络进行拟合的效果。


采用神经网络进行函数拟合

神经网络拟合需要随机的初始权重,每次的运行结果可能略有差异。可以通过设置随机数种子的方法让每次均采用相同的过程。

setdemorandstream(491218382)

在隐藏层神经网络足够多的情况下,两层前向型神经网络(其中一层为隐藏层)可以拟合任意的输入-输出关系。非输出层的各层称为隐藏层。

本示例中隐藏层神经元个数为15个。一般而言,问题越复杂,需要的神经元个数越多,层数也可能越多。

输入层和输出层的sizes为0,因为网络还没有得到配置去匹配本例子中的输入和输出数据。在网络训练好之后,将会进行配置。

net = fitnet(15);
view(net)

 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')

运行后得到:

 Performance:

为了显示在训练过程中网络拟合能力是如何得到提高的,点击“Performance”按钮,得到下图。

误差的测度是均方误差mean squared error(MSE),用对数作图。训练初期,MSE迅速下降。【注:由于采用的是和MATLAB帮助文件中相同的随机数种子,得到的图片与帮助文件中的图片完全一致。】

最终得到的网络是在验证集中表现最好的网络,如图中绿色线最低点处圆圈位置。

 Training State:

 对神经网络进行测试

【注:帮助文件中采用了脚本进行出图,而在nntraintool中直接点击也可以得到相关结果。】

 Error Histogram:误差直方图

 Regression:回归分析

 

这篇关于【MATLAB深度学习工具箱】学习笔记--体脂估计Body Fat Estimation的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/303096

相关文章

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Redis 内存淘汰策略深度解析(最新推荐)

《Redis内存淘汰策略深度解析(最新推荐)》本文详细探讨了Redis的内存淘汰策略、实现原理、适用场景及最佳实践,介绍了八种内存淘汰策略,包括noeviction、LRU、LFU、TTL、Rand... 目录一、 内存淘汰策略概述二、内存淘汰策略详解2.1 ​noeviction(不淘汰)​2.2 ​LR

Python与DeepSeek的深度融合实战

《Python与DeepSeek的深度融合实战》Python作为最受欢迎的编程语言之一,以其简洁易读的语法、丰富的库和广泛的应用场景,成为了无数开发者的首选,而DeepSeek,作为人工智能领域的新星... 目录一、python与DeepSeek的结合优势二、模型训练1. 数据准备2. 模型架构与参数设置3

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列(LCS)问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动

Go中sync.Once源码的深度讲解

《Go中sync.Once源码的深度讲解》sync.Once是Go语言标准库中的一个同步原语,用于确保某个操作只执行一次,本文将从源码出发为大家详细介绍一下sync.Once的具体使用,x希望对大家有... 目录概念简单示例源码解读总结概念sync.Once是Go语言标准库中的一个同步原语,用于确保某个操