在 MATLAB 中创建用于性别分类的训练感知器

Question

我正在编写一个感知器来学习对人脸图片中的性别进行分类。我对 MATLAB 非常陌生，所以我需要很多帮助。我有几个问题：

1. 我正在尝试编写函数代码：

   function [y] = testset(x,w)  
   %y = sign(sigma(x*w-threshold))
   

   其中 y 是预测结果，x 是作为一个非常大的矩阵放入的训练/测试集，w 是方程的权重。 % 之后的部分是我正在尝试编写的，但我不知道如何在 MATLAB 代码中编写它。有什么想法吗？

2. 我正在尝试编写第二个函数：

   function [err] = testerror(x,w,y)  
   %err = sigma(max(0,-w*x*y))
   

   w、x 和 y 的值与上述相同，err 是我的误差函数，我试图通过感知器的步骤将其最小化。

3. 我试图在我的感知器中创建一个步骤，通过在我的原始方程上使用梯度下降来降低错误百分比。有谁知道我如何使用梯度下降增加 w 以使用 if then 语句最小化误差函数？

如果可以帮助您回答这些问题，我可以提供我目前拥有的代码。

谢谢！

编辑---------------

好的，所以我仍在为此编写代码，并希望在我有更完整的内容时将其发布。我现在最大的问题是：

我有以下功能：

function [y] = testset(x,w)  
y = sign(sum(x*w-threshold))

现在我知道我应该设置一个阈值，但无法弄清楚我应该设置什么作为阈值！有什么想法吗？

编辑---------------
这就是我到目前为止所拥有的。仍然需要对其进行更改，但我希望能提供您的意见，尤其是关于结构的意见，以及对需要进行更改的建议！

function [y] = Perceptron_Aviva(X,w)
y = sign(sum(X*w-1));
end

function [err] = testerror(X,w,y)
    err = sum(max(0,-w*X*y));
end

%function [w] = perceptron(X,Y,w_init)
%w = w_init;
%end

%------------------------------

% input samples
X = X_train;

% output class [-1,+1];
Y = y_train;

% init weigth vector
w_init = zeros(size(X,1));
w = w_init;


%---------------------------------------------
loopcounter = 0

while abs(err) > 0.1 && loopcounter < 100

    for j=1:size(X,1)

        approx_y(j) = Perceptron_Aviva(X(j),w(j))

        err = testerror(X(j),w(j),approx_y(j))

        if err > 0 %wrong (structure is correct, test is wrong)
            w(j) = w(j) - 0.1 %wrong
        elseif err < 0 %wrong
            w(j) = w(j) + 0.1 %wrong
        end

       % -----------
       % if sign(w'*X(:,j)) ~= Y(j) %wrong decision?
       %      w = w + X(:,j) * Y(j);   %then add (or subtract) this point to w
    end

Answer 1

你可以阅读这个question我前段时间。

我使用了一个matlab代码和一个函数感知器

function [w] = perceptron(X,Y,w_init)

w = w_init;
for iteration = 1 : 100  %<- in practice, use some stopping criterion!
  for ii = 1 : size(X,2)         %cycle through training set
    if sign(w'*X(:,ii)) ~= Y(ii) %wrong decision?
      w = w + X(:,ii) * Y(ii);   %then add (or subtract) this point to w
    end
  end
  sum(sign(w'*X)~=Y)/size(X,2)   %show misclassification rate
end

它是从代码 (@Itamar Katz) 中调用的，例如（随机数据）：

% input samples
X1=[rand(1,100);rand(1,100);ones(1,100)];   % class '+1'
X2=[rand(1,100);1+rand(1,100);ones(1,100)]; % class '-1'
X=[X1,X2];

% output class [-1,+1];
Y=[-ones(1,100),ones(1,100)];

% init weigth vector
w=[.5 .5 .5]';

% call perceptron
wtag=perceptron(X,Y,w);
% predict
ytag=wtag'*X;


% plot prediction over origianl data
figure;hold on
plot(X1(1,:),X1(2,:),'b.')
plot(X2(1,:),X2(2,:),'r.')

plot(X(1,ytag<0),X(2,ytag<0),'bo')
plot(X(1,ytag>0),X(2,ytag>0),'ro')
legend('class -1','class +1','pred -1','pred +1')

我想这可以给你一个想法来制作你描述的功能。 对错误比较预期结果和真实结果（类）

Answer 2

假设您的数据集是 X（数据点）和 Y（类的标签）。

f=newp(X,Y)

创建一个感知器。

如果您想创建 MLP，那么：

f=newff(X,Y,NN)

其中 NN 是网络架构，即指定每个隐藏层的神经元数量的数组。例如

NN=[5 3 2]

将对应一个网络，第一层有 5 个神经元，第二层有 3 个神经元，第三隐藏层有 2 个。

Answer 3

您所说的阈值是机器学习命名法中的偏差。这应该作为用户的输入，因为它是在训练期间使用的。

另外，我想知道您为什么不使用内置的 matlab 函数。即newp或newff。例如

ff=newp(X,Y)

然后您可以设置对象 ff 的属性来完成选择梯度下降等工作。