神经网络拟合
使用两层前馈网络求解拟合问题
说明
神经网络拟合可用于创建、可视化和训练两层前馈网络,以求解数据拟合问题。
使用此 App,您可以:
从文件、MATLAB® 工作区导入数据,或使用示例数据集之一。
将数据拆分成训练集、验证集和测试集。
定义和训练一个神经网络。
使用均方误差和回归分析评估网络性能。
使用可视化图(如回归拟合或误差直方图)分析结果。
生成 MATLAB 脚本以重现结果并自定义训练过程。
生成适合使用 MATLAB Compiler™ 和 MATLAB Coder™ 工具部署的函数,并导出到 Simulink® 以便与 Simulink Coder 结合使用。
提示
要以交互方式构建和可视化深度学习神经网络,请使用深度网络设计器。有关详细信息,请参阅深度网络设计器快速入门。
打开 神经网络拟合 App
MATLAB 工具条:在 App选项卡上的机器学习和深度学习下,点击 App 图标。
MATLAB 命令提示符:输入
nftool
。
算法
神经网络拟合提供内置训练算法,可用于训练神经网络。
训练算法 | 描述 |
---|---|
莱文贝格-马夸特 | 根据莱文贝格-马夸特优化更新权重和偏置值。莱文贝格-马夸特训练通常是最快的训练算法,尽管它确实比其他方法需要更多内存。 为了实现此算法,神经网络拟合使用 |
贝叶斯正则化 | 贝叶斯正则化根据莱文贝格-马夸特优化更新权重和偏置值。然后,它最小化平方误差和权重的组合,并确定正确的组合以产生泛化能力强的网络。此算法通常需要更长的时间,但适合推广到含噪或小型数据集。 为了实现此算法,神经网络拟合使用 |
量化共轭梯度反向传播 | 量化共轭梯度反向传播根据量化共轭梯度法更新权重和偏置值。对于大型问题,推荐使用量化共轭梯度,因为它使用的梯度计算比莱文贝格-马夸特或贝叶斯正则化使用的雅可比矩阵计算更节省内存。 为了实现此算法,神经网络拟合使用 |