主要内容

均方误差

均方归一化误差性能函数

所有的页面崩溃

语法

穿孔= mse(净、t、y,电子战)

描述

例子

提示

用均方误差与深度学习、使用regressionLayer,或使用dlarray均方误差的方法。

性能= mse (净,t,y,电子战)神经网络,净,一个矩阵或单元阵列的目标,t,一个矩阵或单元阵列的输出,y错误的重量,电子战均方误差,并返回。

这个函数有两个可选参数,与网络相关联的net.trainFcn将这个函数:

  • “正规化”可以设置为任何值在0和1之间。正则化值越大,越平方重量和偏见都包含在性能计算相对误差。默认是0,对应于不正规化。

  • “归一化”可以设置为“没有”(默认);“标准”2和2之间,纠正错误,对应于正常化1和1之间的输出和目标;和“百分比”1和1之间,纠正错误。这个特性与多输出网络是很有用的。它确保输出元素的相对精度不同目标值范围被视为同样重要的是,而不是优先输出元素的相对精度最大的目标值范围内。

您可以创建一个标准的网络使用均方误差与feedforwardnet或cascadeforwardnet。准备一个定制的网络培训均方误差,设置net.performFcn来mse的。该自动设置net.performParam与默认的可选参数值的结构。

均方误差是一个网络性能函数。它衡量网络的性能根据平方误差的均值。

例子

全部折叠

打开生活的脚本

这个例子展示了如何训练一个神经网络使用均方误差性能函数。

这里创建一个两层的前馈网络和训练来估算使用的体脂百分比均方误差0.01性能函数和正则化的价值。

[x, t] = bodyfat_dataset;网= feedforwardnet (10);net.performParam。正规化= 0.01;

MSE性能功能是默认的feedforwardnet。

net.performFcn

培训网络和评估性能。

网=火车(净,x, t);y =净(x);穿孔=执行(净、t、y)

或者,您可以调用均方误差直接。

穿孔= mse(净、t、y,“正规化”,0.01)

输入参数

全部折叠

你想计算的性能,网络作为指定SeriesNetwork或者一个DAGNetwork对象。

目标,指定为一个矩阵或单元阵列。

输出,指定为一个矩阵或单元阵列。

错误的重量,指定为一个标量。

输出参数

全部折叠

网络的均方误差性能。

版本历史

之前介绍过的R2006a

另请参阅