classify_class_mlpT_classify_class_mlpClassifyClassMlpClassifyClassMlpclassify_class_mlp (Operator)
Name
classify_class_mlpT_classify_class_mlpClassifyClassMlpClassifyClassMlpclassify_class_mlp — Berechnen der Klasse eines Merkmalsvektors durch ein
mehrschichtiges Perzeptron.
Signatur
def classify_class_mlp(mlphandle: HHandle, features: Sequence[float], num: Sequence[int]) -> Tuple[Sequence[int], Sequence[float]]
def classify_class_mlp_s(mlphandle: HHandle, features: Sequence[float], num: Sequence[int]) -> Tuple[int, float]
Beschreibung
classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp berechnet mit dem durch
MLPHandleMLPHandleMLPHandleMLPHandleMLPHandlemlphandle gegebenen mehrschichtigen Perzeptron (MLP) die
NumNumNumNumnumnum besten Klassen des Merkmalsvektors FeaturesFeaturesFeaturesFeaturesfeaturesfeatures
und gibt die Klassen in ClassClassClassClassclassValclass und die zugehörigen
Konfidenzen (Wahrscheinlichkeiten) der Klassen in
ConfidenceConfidenceConfidenceConfidenceconfidenceconfidence zurück. Das MLP muss vor der Verwendung von
classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp mit train_class_mlptrain_class_mlpTrainClassMlpTrainClassMlpTrainClassMlptrain_class_mlp trainiert
werden.
classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp kann nur aufgerufen werden, falls das MLP
als Klassifikator mit OutputFunctionOutputFunctionOutputFunctionOutputFunctionoutputFunctionoutput_function = 'softmax'"softmax""softmax""softmax""softmax""softmax"
verwendet wird (siehe create_class_mlpcreate_class_mlpCreateClassMlpCreateClassMlpCreateClassMlpcreate_class_mlp). Ansonsten wird
eine Fehlermeldung zurückgeliefert. classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp
entspricht dem Aufruf von evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp und der
zusätzlichen Bestimmung der besten NumNumNumNumnumnum Klassen. Wie bei
evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_class_mlp beschrieben, können die Ausgabewerte des
MLP als Wahrscheinlichkeiten des Auftretens der jeweiligen Klasse
interpretiert werden.
Im Normalfall, sollte es ausreichend sein, NumNumNumNumnumnum = 1
zu verwenden, um zu entscheiden, ob die Wahrscheinlichkeit der
besten Klasse des Merkmalsvektors hoch genug ist. In manchen
Anwendungen kann es aber auch interessant sein, die zweitbeste
Klasse zu betrachten (NumNumNumNumnumnum = 2), insbesondere,
wenn zu erwarten ist, dass sich die Klassen signifikant überlappen.
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 → HClassMlp, HTupleHHandleHTupleHtuple (handle) (IntPtr) (HHandle) (handle)
Handle des MLP.
FeaturesFeaturesFeaturesFeaturesfeaturesfeatures (input_control) real-array → HTupleSequence[float]HTupleHtuple (real) (double) (double) (double)
Merkmalsvektor.
NumNumNumNumnumnum (input_control) integer-array → HTupleSequence[int]HTupleHtuple (integer) (int / long) (Hlong) (Hlong)
Anzahl der zu bestimmenden besten Klassen.
Defaultwert: 1
Wertevorschläge: 1, 2, 3, 4, 5
ClassClassClassClassclassValclass (output_control) integer(-array) → HTupleSequence[int]HTupleHtuple (integer) (int / long) (Hlong) (Hlong)
Ergebnis der Klassifikation des Merkmalsvektors
durch das MLP.
ConfidenceConfidenceConfidenceConfidenceconfidenceconfidence (output_control) real(-array) → HTupleSequence[float]HTupleHtuple (real) (double) (double) (double)
Konfidenz(en) der Klasse(n) des Merkmalsvektors.
Ergebnis
Sind die Parameterwerte korrekt, dann liefert
classify_class_mlpclassify_class_mlpClassifyClassMlpClassifyClassMlpClassifyClassMlpclassify_class_mlp den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine
Fehlerbehandlung durchgeführt.
Vorgänger
train_class_mlptrain_class_mlpTrainClassMlpTrainClassMlpTrainClassMlptrain_class_mlp,
read_class_mlpread_class_mlpReadClassMlpReadClassMlpReadClassMlpread_class_mlp
Alternativen
apply_dl_classifierapply_dl_classifierApplyDlClassifierApplyDlClassifierApplyDlClassifierapply_dl_classifier,
evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlpEvaluateClassMlpevaluate_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