回归神经网络使用回归训练学习者应用
这个例子展示了如何创建和使用回归学习者比较各种回归神经网络模型应用,和出口训练模型工作区为新数据做出预测。
在MATLAB®命令窗口,加载
carbig
包含不同的数据集,并创建一个表变量。负载carbigcartable =表(加速、气缸、位移,…马力,Model_Year、重量、起源、MPG);
单击应用程序选项卡,然后单击显示更多右边的箭头打开应用画廊。在机器学习和深度的学习组中,单击回归的学习者。
在回归的学习者选项卡,文件部分中,点击新会话并选择从工作空间。
新会话从工作区对话框中,选择表
cartable
从数据集变量列表。所示的对话框中,应用选择
英里/加仑
和其他变量的响应预测。对于这个示例,不改变选择。接受默认的验证方案和继续,点击开始会议。默认的验证选项是5倍交叉验证,防止过度拟合。
回归学习者创建一个响应的情节上的记录编号x设在。
使用响应阴谋调查哪些变量是有用的预测响应。可视化不同预测和响应之间的关系,选择不同的变量X列表下轴右边的阴谋。观察哪些变量与响应最明显的相关性。
创建一个可供选择的神经网络模型。在回归的学习者选项卡,模型部分,单击箭头打开画廊。在神经网络组中,单击所有的神经网络。
在火车部分中,点击火车都并选择火车都。
请注意
如果你有并行计算工具箱™,那么应用程序的使用并行默认按钮进行切换。你点击后火车都并选择火车都或选择火车应用程序打开一个平行的工人。在这段时间里,你不能与软件交互。池打开后,可以继续与应用程序交互,同时并行模型火车。
如果你没有并行计算工具箱,然后应用程序了使用背景培训复选框的火车都菜单默认选中。你选择一个选项来训练模型后,应用程序打开一个背景池。池打开后,可以继续与应用程序交互,同时在后台模型火车。
回归学习者火车每个神经网络选项之一画廊,以及默认好树模型。在模型窗格中,应用了RMSE(验证)(根均方误差)最好的模型。
选择一个模型模型窗格中查看结果。在回归的学习者选项卡,情节和解释部分,单击箭头打开画廊,然后单击响应在验证结果组。检查响应情节训练模型。真实的反应是蓝色的,和预测反应是黄色的。
请注意
验证了一些随机性的结果。你的模型验证结果可以从这个例子中所示的结果不同。
下轴中,选择
马力
并检查响应图。现在真正的和预测的反应都是策划。显示预测错误,画竖线之间的预测和真实的反应,通过选择错误复选框下情节右边的阴谋。当前选择的模型的更多信息,请参考总结选项卡。检查和比较额外的模型特征,如平方(确定系数)、美(平均绝对误差),预测速度。欲了解更多,请看视图模型指标在总结选项卡和模型面板中。在总结选项卡,您还可以找到当前选择的模型类型的细节,如选项用于训练模型。
情节预测响应和真实的反应。在回归的学习者选项卡,情节和解释部分,单击箭头打开画廊,然后单击预测与实际(验证)在验证结果组。使用这个情节来确定如何回归模型预测的不同响应值。
一个完美的回归模型预测响应等于真正的反应,所以所有的点躺在一个对角线。线的垂直距离任意点的错误预测。一个好的模型有小错误,所以附近的预测分布线。一般来说,一个好的模型点分散在对角线大致对称。如果你能看到任何明确的情节模式,可以最有可能提高你的模型。
对于每个剩余模型,选择模型模型窗格中,打开预测与实际的情节,然后整个模型比较结果。有关更多信息,请参见情节比较模型通过改变布局。
努力改善模型,包括不同的特性。在模型画廊,选择所有的神经网络一次。看看你能不能改善模型通过移除特性预测能力较低。在总结选项卡上,单击特征选择扩大部分。
在特征选择部分,清除复选框加速度和气缸排除他们的预测。您可以使用响应阴谋看到这些变量不是与响应变量高度相关。
在火车部分中,点击火车都并选择火车都或选择火车训练神经网络模型使用的新功能。
观察的新车型模型窗格。这些模型都是相同的神经网络模型和之前一样,但训练只使用5的7个预测因子。对于每个模型,应用程序显示如何使用许多预测。检查使用预测,在点击一个模型模型面板和咨询特征选择部分的总结选项卡。
两个特征的模型表现的相当,与所有的预测模型。最好的使用模型预测所有的预测相比,只使用其中的一个子集。如果数据收集是昂贵或困难,你可能更喜欢没有一些预测模型性能良好。
选择模型模型面板验证最低的RMSE(最好的模型),并查看残差图。在回归的学习者选项卡,情节和解释部分,单击箭头打开画廊,然后单击残差(验证)在验证结果组。残差图显示预测的区别和真正的反应。作为一个线形图选择显示残差行下风格。
下轴,选择变量的阴谋x设在。选择真实的反应,预测反应,记录数,或预测因子之一。
一般来说,一个好的模型残差分布大致对称约0。如果你能看到任何清晰的残差的模式,你可以最有可能提高你的模型。
你可以试着进一步提高最好的模型模型通过改变其hyperparameters窗格。首先,复制模型。在回归的学习者选项卡,模型部分中,点击重复的。
然后,在总结选项卡的复制模式,尝试改变一些hyperparameter设置,像的大小完全连接层或正则化的力量。训练新模式通过点击火车都并选择选择火车。
学习更多的关于神经网络模型设置,明白了神经网络。
您可以导出一个完整或紧凑的工作区版本的选择模型。在回归的学习者选项卡上,单击出口,点击出口模式并选择出口模式。排除训练数据和导出一个紧凑的模型,明确出口回归模型对话框中的复选框。你仍然可以使用紧凑的模型进行预测新数据。在对话框中,单击好吧接受默认的变量名。
检查培训这个模型的代码,点击生成函数在出口部分。
提示
使用相同的工作流程评估和比较其他回归模型类型可以在回归训练学习者。
训练你所有可用的nonoptimizable回归模型预设数据集:
在回归的学习者选项卡,模型部分,单击箭头打开画廊的回归模型。
在开始组中,单击所有。
在火车部分中,点击火车都并选择火车都。
了解其他回归模型类型,明白了火车在回归学习者应用回归模型。