evaluate_class_mlpT_evaluate_class_mlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp (Operator)

Name

evaluate_class_mlpT_evaluate_class_mlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp — Berechnen der Bewertung eines Merkmalsvektors durch ein mehrschichtiges Perzeptron.

Signatur

evaluate_class_mlp( : : MLPHandle, Features : Result)

Beschreibung

evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp berechnet das Ergebnis ResultResultResultResultresultresult der Evaluierung des Merkmalsvektors FeaturesFeaturesFeaturesFeaturesfeaturesfeatures durch das mehrschichtige Perzeptron (MLP) MLPHandleMLPHandleMLPHandleMLPHandleMLPHandlemlphandle. Die Berechnungsformeln sind bei create_class_mlpcreate_class_mlpCreateClassMlpCreateClassMlpCreateClassMlpcreate_class_mlp angegeben. Das MLP muss vor der Verwendung von evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp mit train_class_mlptrain_class_mlpTrainClassMlpTrainClassMlpTrainClassMlptrain_class_mlp trainiert werden.

Falls das MLP zur Regression (Funktionsapproximation) verwendet wird (OutputFunction = 'linear'"linear""linear""linear""linear""linear"), ist ResultResultResultResultresultresult der Funktionswert der Funktion an der Koordinate FeaturesFeaturesFeaturesFeaturesfeaturesfeatures. Für OutputFunction = 'logistic'"logistic""logistic""logistic""logistic""logistic" und 'softmax'"softmax""softmax""softmax""softmax""softmax" können die Werte in ResultResultResultResultresultresult als Wahrscheinlichkeiten interpretiert werden. Für OutputFunction = 'logistic'"logistic""logistic""logistic""logistic""logistic" geben die Elemente von ResultResultResultResultresultresult somit für jedes der unabhängigen Attribute die Wahrscheinlichkeit des Vorhandenseins des jeweiligen Attributes an. Typischerweise wird hier ein Schwellenwert von 0.5 verwendet, um zu entscheiden, ob das Attribut vorhanden ist. Je nach Anwendung können aber auch andere Schwellenwerte in Betracht kommen. Für OutputFunction = 'softmax'"softmax""softmax""softmax""softmax""softmax" wird typischerweise die Position des Maximums von ResultResultResultResultresultresult als die Klasse des Merkmalsvektors interpretiert und der zugehörige Wert als die Wahrscheinlichkeit der Klasse. In diesem Fall sollte statt evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp verwendet werden, da classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp direkt die Klasse und Wahrscheinlichkeit zurückliefert.

Ausführungsinformationen

Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
Wird ohne Parallelisierung verarbeitet.

Parameter

MLPHandleMLPHandleMLPHandleMLPHandleMLPHandlemlphandle (input_control) class_mlp → (handle)

Handle des MLP.

FeaturesFeaturesFeaturesFeaturesfeaturesfeatures (input_control) real-array → (real)

Merkmalsvektor.

ResultResultResultResultresultresult (output_control) real-array → (real)

Ergebnis der Auswertung des Merkmalsvektors durch das MLP.

Ergebnis

Sind die Parameterwerte korrekt, dann liefert evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp den Wert TRUE. Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.

Vorgänger

train_class_mlptrain_class_mlpTrainClassMlpTrainClassMlpTrainClassMlptrain_class_mlp, read_class_mlpread_class_mlpReadClassMlpReadClassMlpReadClassMlpread_class_mlp

Alternativen

classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp

Siehe auch

create_class_mlpcreate_class_mlpCreateClassMlpCreateClassMlpCreateClassMlpcreate_class_mlp

Literatur

Christopher M. Bishop: „Neural Networks for Pattern Recognition“; Oxford University Press, Oxford; 1995.
Andrew Webb: „Statistical Pattern Recognition“; Arnold, London; 1999.

Modul

Foundation

Operatoren