根据三个正态分布的聚类创建一个人工数据集：

绘制数据集：

培训数据包括规则映射点至所在的聚类：

创建一个网络计算点在每个聚类中的概率，使用 "Class" 解码器分类数据为 Red、Green 或 Blue：

在数据上培训网络：

计算每个聚类上的中心的网络：

显示每个类达到 0.75 后验概率时在特征空间的轮廓：

绘制由位置函数熵测量的分类器的不确定度：

在 Fisher Iris 数据集上执行逻辑回归. 首先，获取培训数据：

构建分配给每个范例的唯一标签列表：

创建一个 NetChain 执行分类，使用 "Class" 解码器诠释网络的输出为每类的概率：

NetTrain 会自动使用带有 NetEncoder 的 CrossEntropyLossLayer 来诠释培训数据中的类标签：

分类输入：

获取与分类相关联的概率：

使用 NetMeasurements 检验在测试集上被培训的网络的分类性能：

首先，获取培训数据，然后去掉包含丢失数据的行：

把数据分成培训和测试数据集：

创建 "Class" 编码器编码分类变量为单热编码向量：

把编码器应用于类标签产生单位向量：

在进一步处理前，输入特征首先级联在一起：

在培训数据上培训网络. NetTrain 会自动在网络输出上附着一层 CrossEntropyLossLayer["Binary"]：

预测乘客是否会生存：

获取与输入相关联的生存概率：

绘制 "class" 和 "sex" 相组合的年龄函数的生存概率：

使用 NetMeasurements 在测试集上测试培训网络的精确度：

精确度可以与指定方法为 "LogisticRegression"，使用 Classify 获得的相比较：

首先获取培训数据：

培训数据包含图像以及对应的高级和低级标签：

从 "Label" 和 "SubLabel" 列中提取唯一标签：

创建会产生 500 个特征的向量的卷积网络：

为高级和低级标签创建一个会产生独立分类的 NetGraph：

培训网络. NetTrain 会自动把 CrossEntropyLossLayer 对象粘贴在输出，使用对应的名称 "Label" 和 "SubLabel" 从培训数据获取目标值：

在单幅图像上计算培训网络：

在多幅图像上计算培训网络，只接受 "SubLabel" 输出：

获取输入图像上 "SubLabel" 输出类解码器的属性：

从随机采样中，选取网络为 "Label" 产生最高和最低熵预测的图像：

使用 NetMeasurements 检测网络两个输出的精度：

产生一个只计算 "SubLabel" 预测的子网络：

对单幅图像预测：