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