evaluate_class_mlp
— Berechnen der Bewertung eines Merkmalsvektors durch ein
mehrschichtiges Perzeptron.
evaluate_class_mlp
berechnet das Ergebnis Result
der Evaluierung des Merkmalsvektors Features
durch das
mehrschichtige Perzeptron (MLP) MLPHandle
. Die
Berechnungsformeln sind bei create_class_mlp
angegeben. Das
MLP muss vor der Verwendung von evaluate_class_mlp
mit
train_class_mlp
trainiert werden.
Falls das MLP zur Regression (Funktionsapproximation) verwendet wird
(OutputFunction
= 'linear' ), ist Result
der Funktionswert der Funktion an der Koordinate Features
.
Für OutputFunction
= 'logistic' und
'softmax' können die Werte in Result
als
Wahrscheinlichkeiten interpretiert werden. Für
OutputFunction
= 'logistic' geben die Elemente
von Result
somit für jedes der unabhängigen Attribute die
Wahrscheinlichkeit des Vorhandenseins des jeweiligen Attributes an.
Typischerweise wird hier ein Schwellwert von 0.5 verwendet, um zu
entscheiden, ob das Attribut vorhanden ist. Je nach Anwendung
können aber auch andere Schwellwerte in Betracht kommen. Für
OutputFunction
= 'softmax' wird typischerweise
die Position des Maximums von Result
als die Klasse des
Merkmalsvektors interpretiert und der zugehörige Wert als die
Wahrscheinlichkeit der Klasse. In diesem Fall sollte statt
evaluate_class_mlp
classify_class_mlp
verwendet
werden, da classify_class_mlp
direkt die Klasse und
Wahrscheinlichkeit zurückliefert.
MLPHandle
(input_control) class_mlp →
(handle)
Handle des MLP.
Features
(input_control) real-array →
(real)
Merkmalsvektor.
Result
(output_control) real-array →
(real)
Ergebnis der Auswertung des Merkmalsvektors durch das MLP.
Sind die Parameterwerte korrekt, dann liefert
evaluate_class_mlp
den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine
Fehlerbehandlung durchgeführt.
train_class_mlp
,
read_class_mlp
Christopher M. Bishop: „Neural Networks for Pattern Recognition“;
Oxford University Press, Oxford; 1995.
Andrew Webb: „Statistical Pattern Recognition“; Arnold, London;
1999.
Foundation