Below is the probabilistic neural network for classification, but it is not working fine. Can someone help to improve it? especially how to recalculate training, validation and test performance.

close all; clear; clc data = dlmread('iris.dat'); %data=dlmread('Dermatology.txt'); %data=[data(:,1) data(:,3:8) data(:,2)]; % inputs=[data(:,1) data(:,3:8)]; % targets=data(:,2); %inputs = thyroidInputs; %targets = thyroidTargets; B= data(:,1:end-1); B = B';

C = data(:,end);

n_class = max(C); class = 1:1:n_class; CC = zeros(n_class,size(data,1));

for k = 1:n_class

    for i = 1:size(data,1)        
        if C(i)==k
            CC(k,i) = 1;
        else
            CC(k,i) = 0;            
        end
    end
end

inputs=data';

targets=CC; %T=ind2vec(C'); spread=1;

net = newpnn(data',targets,spread);

% % Choose Input and Output Pre/Post-Processing Functions % % For a list of all processing functions type: help nnprocess %net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'}; %net.outputs{2}.processFcns = {'removeconstantrows','mapminmax'};

 % simulate PNN on training data
output= sim(net,data');
% convert PNN outputs
%output = vec2ind(output);

view(net)

net.trainFcn = 'trainlm'; % Choose Plot Functions

% Choose a Performance Function % For a list of all performance functions type: help nnperformance net.performFcn = 'mse'; % Mean squared error

% For a list of all plot functions type: help nnplot net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ... 'plotregression', 'plotfit'}; [ent,tr]=train(net,data',CC);

% Setup Division of Data for Training, Validation, Testing % For a list of all data division functions type: help nndivide net.divideFcn = 'dividerand'; % Divide data randomly net.divideMode = 'sample'; % Divide up every sample net.divideParam.trainRatio = 50/100; net.divideParam.valRatio = 25/100; net.divideParam.testRatio = 25/100;

nntraintool % plotperform(tr)

%testting the classifier % Test the Network outputs = net(inputs); errors = gsubtract(targets,outputs); performance = perform(net,targets,outputs)

% Recalculate Training, Validation and Test Performance trainTargets = targets .* tr.trainMask{1}; valTargets = targets .* tr.valMask{1}; testTargets = targets .* tr.testMask{1}; trainPerformance = perform(net,trainTargets,outputs) valPerformance = perform(net,valTargets,outputs) testPerformance = perform(net,testTargets,outputs)

% Plots % Uncomment these lines to enable various plots. figure, plotperform(tr) figure, plottrainstate(tr) figure, plotconfusion(targets,outputs)

[Greg Heath]

1. Reformat your code so that it runs when cut and pasted into the command line.

2. Use one of the MATLAB example data sets

 help nndatasets
 doc nndatasets

Hope this helps.

Greg

Answer 1

[Greg Heath]

NEWPNN is created, not trained.

 help newpnn
 doc newpnn

Try NEWRB, it trains itself.

 help newrb
 doc newrb

Search in NEWSGROUP and ANSWERS

 greg newrb

Hope this helps

Thank you for formally accepting my answer

Greg

Answer 2

[davykol]

Try this one may be it will work:

close all; clear all; clc

data=[ 5.1000 3.5000 1.4000 0.2000 1.0000 4.9000 3.0000 1.4000 0.2000 1.0000 4.6000 3.1000 1.5000 0.2000 1.0000 5.0000 3.6000 1.4000 0.2000 1.0000 5.4000 3.9000 1.7000 0.4000 1.0000 4.6000 3.4000 1.4000 0.3000 1.0000 5.0000 3.4000 1.5000 0.2000 1.0000 4.4000 2.9000 1.4000 0.2000 1.0000 5.4000 3.7000 1.5000 0.2000 1.0000 4.8000 3.4000 1.6000 0.2000 1.0000 4.8000 3.0000 1.4000 0.1000 1.0000 4.3000 3.0000 1.1000 0.1000 1.0000 5.7000 4.4000 1.5000 0.4000 1.0000 5.4000 3.9000 1.3000 0.4000 1.0000 5.1000 3.5000 1.4000 0.3000 1.0000 5.7000 3.8000 1.7000 0.3000 1.0000 5.1000 3.8000 1.5000 0.3000 1.0000 5.4000 3.4000 1.7000 0.2000 1.0000 5.1000 3.7000 1.5000 0.4000 1.0000 4.6000 3.6000 1.0000 0.2000 1.0000 5.1000 3.3000 1.7000 0.5000 1.0000 4.8000 3.4000 1.9000 0.2000 1.0000 5.0000 3.0000 1.6000 0.2000 1.0000 5.0000 3.4000 1.6000 0.4000 1.0000 5.2000 3.5000 1.5000 0.2000 1.0000 5.2000 3.4000 1.4000 0.2000 1.0000 4.7000 3.2000 1.6000 0.2000 1.0000 4.8000 3.1000 1.6000 0.2000 1.0000 5.4000 3.4000 1.5000 0.4000 1.0000 5.2000 4.1000 1.5000 0.1000 1.0000 5.5000 4.2000 1.4000 0.2000 1.0000 4.9000 3.1000 1.5000 0.1000 1.0000 5.0000 3.2000 1.2000 0.2000 1.0000 5.5000 3.5000 1.3000 0.2000 1.0000 4.9000 3.1000 1.5000 0.1000 1.0000 4.4000 3.0000 1.3000 0.2000 1.0000 5.1000 3.4000 1.5000 0.2000 1.0000 5.0000 3.5000 1.3000 0.3000 1.0000 4.5000 2.3000 1.3000 0.3000 1.0000 5.1000 3.8000 1.9000 0.4000 1.0000 4.8000 3.0000 1.4000 0.3000 1.0000 5.1000 3.8000 1.6000 0.2000 1.0000 4.6000 3.2000 1.4000 0.2000 1.0000 5.3000 3.7000 1.5000 0.2000 1.0000 5.0000 3.3000 1.4000 0.2000 1.0000 7.0000 3.2000 4.7000 1.4000 2.0000 6.4000 3.2000 4.5000 1.5000 2.0000 6.9000 3.1000 4.9000 1.5000 2.0000 5.5000 2.3000 4.0000 1.3000 2.0000 5.7000 2.8000 4.5000 1.3000 2.0000 6.3000 3.3000 4.7000 1.6000 2.0000 4.9000 2.4000 3.3000 1.0000 2.0000 5.2000 2.7000 3.9000 1.4000 2.0000 5.0000 2.0000 3.5000 1.0000 2.0000 5.9000 3.0000 4.2000 1.5000 2.0000 6.0000 2.2000 4.0000 1.0000 2.0000 6.1000 2.9000 4.7000 1.4000 2.0000 5.6000 2.9000 3.6000 1.3000 2.0000 6.7000 3.1000 4.4000 1.4000 2.0000 5.6000 3.0000 4.5000 1.5000 2.0000 5.8000 2.7000 4.1000 1.0000 2.0000 6.2000 2.2000 4.5000 1.5000 2.0000 5.6000 2.5000 3.9000 1.1000 2.0000 5.9000 3.2000 4.8000 1.8000 2.0000 6.1000 2.8000 4.0000 1.3000 2.0000 6.3000 2.5000 4.9000 1.5000 2.0000 6.1000 2.8000 4.7000 1.2000 2.0000 6.4000 2.9000 4.3000 1.3000 2.0000 6.6000 3.0000 4.4000 1.4000 2.0000 6.7000 3.0000 5.0000 1.7000 2.0000 5.7000 2.6000 3.5000 1.0000 2.0000 5.5000 2.4000 3.8000 1.1000 2.0000 5.5000 2.4000 3.7000 1.0000 2.0000 5.8000 2.7000 3.9000 1.2000 2.0000 6.0000 2.7000 5.1000 1.6000 2.0000 5.4000 3.0000 4.5000 1.5000 2.0000 6.7000 3.1000 4.7000 1.5000 2.0000 6.3000 2.3000 4.4000 1.3000 2.0000 5.6000 3.0000 4.1000 1.3000 2.0000 5.5000 2.5000 4.0000 1.3000 2.0000 5.5000 2.6000 4.4000 1.2000 2.0000 6.1000 3.0000 4.6000 1.4000 2.0000 5.8000 2.6000 4.0000 1.2000 2.0000 5.0000 2.3000 3.3000 1.0000 2.0000 5.6000 2.7000 4.2000 1.3000 2.0000 5.7000 3.0000 4.2000 1.2000 2.0000 5.7000 2.9000 4.2000 1.3000 2.0000 6.2000 2.9000 4.3000 1.3000 2.0000 5.1000 2.5000 3.0000 1.1000 2.0000 5.7000 2.8000 4.1000 1.3000 2.0000 6.3000 3.3000 6.0000 2.5000 3.0000 5.8000 2.7000 5.1000 1.9000 3.0000 7.1000 3.0000 5.9000 2.1000 3.0000 6.3000 2.9000 5.6000 1.8000 3.0000 6.5000 3.0000 5.8000 2.2000 3.0000 7.6000 3.0000 6.6000 2.1000 3.0000 4.9000 2.5000 4.5000 1.7000 3.0000 7.3000 2.9000 6.3000 1.8000 3.0000 6.7000 2.5000 5.8000 1.8000 3.0000 7.2000 3.6000 6.1000 2.5000 3.0000 6.5000 3.2000 5.1000 2.0000 3.0000 6.4000 2.7000 5.3000 1.9000 3.0000 6.8000 3.0000 5.5000 2.1000 3.0000 5.7000 2.5000 5.0000 2.0000 3.0000 5.8000 2.8000 5.1000 2.4000 3.0000 6.4000 3.2000 5.3000 2.3000 3.0000 7.7000 3.8000 6.7000 2.2000 3.0000 5.6000 2.8000 4.9000 2.0000 3.0000 7.7000 2.8000 6.7000 2.0000 3.0000 6.3000 2.7000 4.9000 1.8000 3.0000 6.7000 3.3000 5.7000 2.1000 3.0000 7.2000 3.2000 6.0000 1.8000 3.0000 6.1000 3.0000 4.9000 1.8000 3.0000 6.4000 2.8000 5.6000 2.1000 3.0000 7.2000 3.0000 5.8000 1.6000 3.0000 7.4000 2.8000 6.1000 1.9000 3.0000 7.9000 3.8000 6.4000 2.0000 3.0000 6.4000 2.8000 5.6000 2.2000 3.0000 6.3000 2.8000 5.1000 1.5000 3.0000 6.1000 2.6000 5.6000 1.4000 3.0000 7.7000 3.0000 6.1000 2.3000 3.0000 6.3000 3.4000 5.6000 2.4000 3.0000 6.4000 3.1000 5.5000 1.8000 3.0000 6.0000 3.0000 4.8000 1.8000 3.0000 6.9000 3.1000 5.4000 2.1000 3.0000 6.7000 3.1000 5.6000 2.4000 3.0000 6.9000 3.1000 5.1000 2.3000 3.0000 5.8000 2.7000 5.1000 1.9000 3.0000 6.8000 3.2000 5.9000 2.3000 3.0000 6.7000 3.3000 5.7000 2.5000 3.0000 6.7000 3.0000 5.2000 2.3000 3.0000 6.3000 2.5000 5.0000 1.9000 3.0000 6.5000 3.0000 5.2000 2.0000 3.0000 6.2000 3.4000 5.4000 2.3000 3.0000 5.9000 3.0000 5.1000 1.8000 3.0000 4.7000 3.2000 1.3000 0.2000 1.0000 4.9000 3.1000 1.5000 0.1000 1.0000 5.8000 4.0000 1.2000 0.2000 1.0000 4.4000 3.2000 1.3000 0.2000 1.0000 5.0000 3.5000 1.6000 0.6000 1.0000 6.5000 2.8000 4.6000 1.5000 2.0000 6.6000 2.9000 4.6000 1.3000 2.0000 6.8000 2.8000 4.8000 1.4000 2.0000 6.0000 2.9000 4.5000 1.5000 2.0000 6.0000 3.4000 4.5000 1.6000 2.0000 6.5000 3.0000 5.5000 1.8000 3.0000 7.7000 2.6000 6.9000 2.3000 3.0000 6.0000 2.2000 5.0000 1.5000 3.0000 6.9000 3.2000 5.7000 2.3000 3.0000 6.2000 2.8000 4.8000 1.8000 3.0000];

B= data(:,1:end-1); B = B';

C = data(:,end);

n_class = max(C); class = 1:1:n_class; CC = zeros(n_class,size(data,1));

for k = 1:n_class

    for i = 1:size(data,1)        
        if C(i)==k
            CC(k,i) = 1;
        else
            CC(k,i) = 0;            
        end
    end
end

inputs=data';

targets=CC;

spread=1;

net = newpnn(data',targets,spread);

output= sim(net,data');

view(net)

net.trainFcn = 'trainbr';

net.performFcn = 'mse';

net.plotFcns = {'plotperform','plottrainstate','ploterrhist','plotregression', 'plotfit'}; [ent,tr]=train(net,data',CC);

net.divideFcn = 'dividerand'; net.divideMode = 'sample';

net.divideParam.trainRatio = 50/100; net.divideParam.valRatio = 25/100; net.divideParam.testRatio = 25/100;

nntraintool

outputs = net(inputs); errors = gsubtract(targets,outputs); performance = perform(net,targets,outputs);

trainTargets = targets .* tr.trainMask{1}; valTargets = targets .* tr.valMask{1}; testTargets = targets .* tr.testMask{1}; trainPerformance = perform(net,trainTargets,outputs) valPerformance = perform(net,valTargets,outputs) testPerformance = perform(net,testTargets,outputs)

figure, plotperform(tr) figure, plottrainstate(tr) figure, plotconfusion(targets,outputs)

[Greg Heath]

The computer cannot read the data matrix because the lines have different lengths

size(data) = ? size(input) = ? size(target) = ? Number of classes?

Answer 3

[SreeHarish Muppirisetty]

You can try with the following steps:

1. Try increasing the number of hidden nodes, in general.

2. Design 10 neural networks, with varying num of hidden nodes..and randomly divide your training, test and validation sets (10 sets each of them). You can even change Performance functions, to see which gives you a good classification.

3. Compute standard error of Mean (SEM), and select the Neural network closest to SEM.

HTH

Answer 4

[davykol]

Here is the codes. I tried to improve them. Can someone help with plotperform(tr) and plottrainstate(tr). Also how to improve it further

[x,t] = crab_dataset; %net = patternnet(10); spread=1.2; net = newpnn(x,t,spread); %net = train(net,x,t); view(net) net.trainFcn = 'trainbr'; y = net(x); [ent,tr]=train(net,x,t);

    plotconfusion(t,y)

figure, plotperform(tr) figure, plottrainstate(tr)