在《神经网络分类训练集的图片到底是如何相互影响的?》中得到了一个经验关系,如果(两张图片)混合后的迭代次数变小了,分类准确率可能变大;如果二者混合后迭代次数变大,分类准确率可能会变小。但上次实验的样本只有8个太少了,这次把1-9所有不重复的36个两两混合全都做出来,检验这个关系是否还成立。
第一部分,1张图片和1张图片分类,0[n]和2[1]进行分类
(0[n],2[1])---81*30*2---(1,0)(0,1) n=1,2…9
f2[0] | f2[1] | 迭代次数n | 平均准确率p-ave | δ | 耗时ms/次 | 耗时ms/199次 | 耗时 min/199 | 最大准确率p-max | 迭代次数标准差 | pave标准差 | |
0[1],2[1] | 0.502512 | 0.4974879 | 43337.065 | 0.7746286 | 1.00E-04 | 1014.0251 | 201825 | 3.36375 | 0.7947316 | 1714.6271 | 0.0078051 |
0[2],2[1] | 0.3618366 | 0.6381634 | 39428.513 | 0.6697154 | 1.00E-04 | 910.21608 | 181148 | 3.0191333 | 0.6983101 | 1526.1862 | 0.0115177 |
0[3],2[1] | 0.0654133 | 0.9345866 | 42304.126 | 0.8722614 | 1.00E-04 | 964.87437 | 192041 | 3.2006833 | 0.8812127 | 1926.7298 | 0.0034939 |
0[4],2[1] | 0.2412577 | 0.7587424 | 41168.382 | 0.8031534 | 1.00E-04 | 941.36683 | 187332 | 3.1222 | 0.8195825 | 1939.6639 | 0.00698 |
0[5],2[1] | 0.6281151 | 0.3718849 | 44140.638 | 0.9079193 | 1.00E-04 | 993.55276 | 197718 | 3.2953 | 0.917992 | 1808.8097 | 0.0039003 |
0[6],2[1] | 0.0704375 | 0.9295625 | 43375.829 | 0.8471657 | 1.00E-04 | 971.34673 | 193298 | 3.2216333 | 0.8593439 | 1993.3655 | 0.0046175 |
0[7],2[1] | 0.2312094 | 0.7687906 | 40382.593 | 0.8858857 | 1.00E-04 | 935.49246 | 186179 | 3.1029833 | 0.9000994 | 1797.8539 | 0.0049712 |
0[8],2[1] | 0.2261853 | 0.7738147 | 40953.844 | 0.9054492 | 1.00E-04 | 948.52764 | 188757 | 3.14595 | 0.9130219 | 1721.9027 | 0.0032987 |
0[9],2[1] | 0.3166195 | 0.6833805 | 45157.543 | 0.8177193 | 1.00E-04 | 1041.9899 | 207357 | 3.45595 | 0.8369781 | 1948.7476 | 0.0062181 |
第二部分,两张图片和1张图片分类,0[n,m]和2[1]进行分类
(0[n,m],2[1])---81*30*2---(1,0)(0,1) n=1,2…9,m=1,2…9,n≠m
n | m | f2[0] | f2[1] | 迭代次数n | 平均准确率p-ave | δ | 耗时ms/次 | 耗时ms/199次 | 耗时 min/199 | 最大准确率p-max | 迭代次数标准差 | pave标准差 |
1 | 2 | 0.9999 | 9.96E-05 | 30919.08 | 0.832275 | 1.00E-04 | 715.6432 | 142421 | 2.373683 | 0.849404 | 1988.477 | 0.006317 |
1 | 3 | 0.793911 | 0.206089 | 45815.48 | 0.811398 | 1.00E-04 | 1015.819 | 202155 | 3.36925 | 0.823062 | 1917.266 | 0.005343 |
1 | 4 | 0.9999 | 9.96E-05 | 36274.74 | 0.814378 | 1.00E-04 | 808.8442 | 160973 | 2.682883 | 0.832008 | 2249.417 | 0.005598 |
1 | 5 | 0.994876 | 0.005124 | 41817.56 | 0.858782 | 1.00E-04 | 927.1759 | 184513 | 3.075217 | 0.870278 | 2149.949 | 0.004421 |
1 | 6 | 0.557778 | 0.442223 | 47636.92 | 0.775208 | 1.00E-04 | 1053.372 | 209630 | 3.493833 | 0.789761 | 2122.903 | 0.005359 |
1 | 7 | 0.999901 | 9.96E-05 | 34923.28 | 0.871717 | 1.00E-04 | 777.7136 | 154774 | 2.579567 | 0.880716 | 2259.736 | 0.00372 |
1 | 8 | 0.9999 | 9.96E-05 | 38414.16 | 0.864631 | 1.00E-04 | 852.9849 | 169747 | 2.829117 | 0.877237 | 2230.174 | 0.005252 |
1 | 9 | 0.964732 | 0.035269 | 44078.99 | 0.830966 | 1.00E-04 | 977.3719 | 194508 | 3.2418 | 0.843439 | 2609.696 | 0.005355 |
2 | 3 | 0.9999 | 9.96E-05 | 36070.77 | 0.891283 | 1.00E-04 | 804.7538 | 160158 | 2.6693 | 0.898111 | 2510.826 | 0.002865 |
2 | 4 | 0.984828 | 0.015172 | 39135.39 | 0.855717 | 1.00E-04 | 872.2814 | 173591 | 2.893183 | 0.867793 | 2325.469 | 0.004345 |
2 | 5 | 0.9999 | 9.94E-05 | 31163.81 | 0.909071 | 1.00E-04 | 698.8945 | 139082 | 2.318033 | 0.917992 | 1919.277 | 0.003495 |
2 | 6 | 0.9999 | 9.96E-05 | 34042.07 | 0.878341 | 1.00E-04 | 761.1508 | 151481 | 2.524683 | 0.888171 | 2293.658 | 0.003757 |
2 | 7 | 0.854201 | 0.145799 | 40396.43 | 0.899912 | 1.00E-04 | 900.2814 | 179166 | 2.9861 | 0.91501 | 2129.306 | 0.004996 |
2 | 8 | 0.924539 | 0.075461 | 39455.15 | 0.918614 | 1.00E-04 | 879.4874 | 175026 | 2.9171 | 0.927435 | 2474.915 | 0.002937 |
2 | 9 | 0.999901 | 9.95E-05 | 31021.66 | 0.880983 | 1.00E-04 | 697.5779 | 138822 | 2.3137 | 0.889662 | 1969.136 | 0.003674 |
3 | 4 | 0.834104 | 0.165896 | 42371.03 | 0.84521 | 1.00E-04 | 941.8342 | 187429 | 3.123817 | 0.856859 | 2032.874 | 0.004772 |
3 | 5 | 0.9999 | 9.96E-05 | 42642.03 | 0.848622 | 1.00E-04 | 948.4774 | 188756 | 3.145933 | 0.859344 | 2193.462 | 0.003914 |
3 | 6 | 0.894394 | 0.105606 | 39732.69 | 0.862858 | 1.00E-04 | 887.0754 | 176535 | 2.94225 | 0.87326 | 2180.379 | 0.003827 |
3 | 7 | 0.9999 | 9.97E-05 | 33877.87 | 0.891555 | 1.00E-04 | 760.4171 | 151331 | 2.522183 | 0.900596 | 2302.279 | 0.002934 |
3 | 8 | 0.9999 | 9.97E-05 | 33148.47 | 0.89402 | 1.00E-04 | 741.4824 | 147565 | 2.459417 | 0.902584 | 2385.352 | 0.002749 |
3 | 9 | 0.9999 | 9.97E-05 | 38292.14 | 0.858627 | 1.00E-04 | 853.995 | 169953 | 2.83255 | 0.867793 | 2060.82 | 0.003613 |
4 | 5 | 0.9999 | 9.96E-05 | 34957.4 | 0.87329 | 1.00E-04 | 782.6734 | 155765 | 2.596083 | 0.88171 | 2099.655 | 0.003831 |
4 | 6 | 0.979804 | 0.020196 | 42059.64 | 0.807941 | 1.00E-04 | 943.3518 | 187731 | 3.12885 | 0.819085 | 2333.668 | 0.004529 |
4 | 7 | 0.849177 | 0.150823 | 41524.17 | 0.882242 | 1.00E-04 | 921.7638 | 183438 | 3.0573 | 0.892644 | 2018.916 | 0.003864 |
4 | 8 | 0.542705 | 0.457295 | 43553.13 | 0.890559 | 1.00E-04 | 965.6533 | 192173 | 3.202883 | 0.899602 | 1770.9 | 0.002982 |
4 | 9 | 0.999901 | 9.96E-05 | 38592.36 | 0.842575 | 1.00E-04 | 860.5025 | 171249 | 2.85415 | 0.850398 | 2099.758 | 0.003865 |
5 | 6 | 0.793911 | 0.206089 | 47012.42 | 0.814008 | 1.00E-04 | 1041.698 | 207306 | 3.4551 | 0.825547 | 1892.693 | 0.005134 |
5 | 7 | 0.9999 | 9.95E-05 | 31061.31 | 0.912185 | 1.00E-04 | 694.4623 | 138203 | 2.303383 | 0.92495 | 2118.422 | 0.003318 |
5 | 8 | 0.9999 | 9.96E-05 | 34186.52 | 0.89408 | 1.00E-04 | 761.9447 | 151633 | 2.527217 | 0.904076 | 2013.488 | 0.003787 |
5 | 9 | 0.733622 | 0.266378 | 49131.08 | 0.836069 | 1.00E-04 | 1086.608 | 216246 | 3.6041 | 0.848907 | 1938.177 | 0.005493 |
6 | 7 | 0.9999 | 9.96E-05 | 31905.77 | 0.877831 | 1.00E-04 | 710.4422 | 141381 | 2.35635 | 0.890656 | 2335.202 | 0.003411 |
6 | 8 | 0.9999 | 9.97E-05 | 27614.06 | 0.877374 | 1.00E-04 | 619.0553 | 123200 | 2.053333 | 0.888171 | 2024.476 | 0.003584 |
6 | 9 | 0.82908 | 0.17092 | 43056.9 | 0.842146 | 1.00E-04 | 955.7236 | 190198 | 3.169967 | 0.85338 | 1803.45 | 0.004121 |
7 | 8 | 0.673332 | 0.326668 | 40492.29 | 0.918529 | 1.00E-04 | 897.5075 | 178614 | 2.9769 | 0.927435 | 2087.224 | 0.002911 |
7 | 9 | 0.9999 | 9.95E-05 | 28488.88 | 0.88651 | 1.00E-04 | 636.8894 | 126746 | 2.112433 | 0.896123 | 2125.783 | 0.003956 |
8 | 9 | 0.999901 | 9.96E-05 | 24442.83 | 0.86826 | 1.00E-04 | 552.7085 | 109995 | 1.83325 | 0.875746 | 1947.237 | 0.003962 |
第一组数据就是用0的第1张图片和第2张图片和2的第1张图片组成训练集分类。
比较第二部分数据,图片两两混合以后有15个分类准确率变大了,占总数的41.7%。二者混合以后分类准确率在二者之间的有18个,占总数的50%。而二者混合是分类准确率变小的情况只出现了3次,只占8.3%。这个数据表明二者混合以后分类准确率大概率的是会增加。
比较3次分类准确率减小的事件,
n | m | f2[0] | f2[1] | 迭代次数n | 平均准确率p-ave |
3 | 5 | 0.9999 | 9.96E-05 | 42642.03 | 0.848622 |
5 | 6 | 0.793911 | 0.206089 | 47012.42 | 0.814008 |
5 | 8 | 0.9999 | 9.96E-05 | 34186.52 | 0.89408 |
在这仅有的3次分类准确率减小事件当中,迭代次数出现了所有3种变化的可能,有混合后迭代次数变大的如[5,6],也有混合后迭代次数变小的[5,8],也有混合后迭代次数位于二者之间的如[3,5].表明二者混合后迭代次数变大并不必然会导致分类准确率变小,也表明混合后迭代次数变小也并不必然导致分类准确率变小。
比较迭代次数
有23次混合后迭代次数减小,占63.8%,有5次位于二者之间,占13.8%,有8次迭代次数比二者都大,占22%。从占比上看混合后迭代次数大概率的是会降低。在23次迭代次数降低的事件中有11次分类准确率是增大的,占47.8%,有11次分类准确率位于二者之间,有1次是减小的。
所以两张图片混合后大概率的迭代次数是会降低,而分类准确率会上升。