主要内容

CompactRegressionNeuralNetwork

用于回归的紧凑神经网络模型

全部展开页面

    描述

    CompactRegresionNeuralNetwork是紧凑版的吗RegressionNeuralNetwork模型对象。紧凑模型不包括用于训练回归模型的数据。因此，您不能使用紧凑模型执行某些任务，例如交叉验证。对于预测新数据的响应值等任务，使用紧凑的模型。

    创建

    创建一个CompactRegressionNeuralNetwork对象的完整RegressionNeuralNetwork通过使用紧凑的．

    属性

    全部展开

    神经网络属性

    此属性是只读的。

    神经网络模型中全连接层的大小，返回为正整数向量。的我th元素LayerSizes的输出数是多少我神经网络模型的全连接层。

    LayerSizes不包括最终完全连接层的大小。这个层总是有一个输出。

    数据类型:单|双

    此属性是只读的。

    学习了全连接层的层权重，返回为单元阵列。的我单元格数组中的第Th项对应的层权重为我完全连通层。例如,Mdl。LayerWeights {1}返回模型的第一个完全连接层的权重Mdl．

    LayerWeights包括最终完全连接层的权重。

    数据类型:细胞

    此属性是只读的。

    了解了完全连接层的层偏差，返回为单元阵列。的我单元格数组中的第Th项对应于我完全连通层。例如,Mdl。LayerBiases {1}返回模型的第一个完全连接层的偏差Mdl．

    LayerBiases包括最终完全连接层的偏差。

    数据类型:细胞

    此属性是只读的。

    神经网络模型的全连接层的激活函数，返回为字符向量或字符向量的单元数组，其值来自此表。

    价值 描述
    “relu”

    修正线性单元(ReLU)函数——对输入的每个元素执行阈值操作，其中任何小于零的值都被设为零，即，

    f （ x ） ＝ ｛ x ， x ≥ 0 0 ， x < 0

    的双曲正切

    双曲tan (tanh)函数-应用双曲正切函数的每个输入元素
    “乙状结肠”

    Sigmoid函数-对每个输入元素执行以下操作:

    f （ x ） ＝ 1 1 + e − x

    “没有”

    标识函数——返回每个输入元素，而不执行任何转换，即:f（x) =x

    • 如果激活仅包含一个激活函数，则为神经网络模型中每一完全连接层的激活函数，不包括最终完全连接层，该层不具有激活函数(OutputLayerActivation)．

    • 如果激活是一组激活函数，那么我元素是元素的激活函数我神经网络模型的第二层。

    数据类型:字符|细胞

    此属性是只读的。

    最终完全连接层的激活函数，返回为“没有”．

    数据属性

    此属性是只读的。

    预测器变量名，作为字符向量的单元格数组返回。元素的顺序PredictorNames对应于预测器名称在训练数据中出现的顺序。

    数据类型:细胞

    此属性是只读的。

    分类预测器索引，返回为一个正整数向量。假设预测数据包含成行的观测数据，CategoricalPredictors包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空(［］)．

    数据类型:双

    此属性是只读的。

    扩展的预测器名称，作为字符向量的单元格数组返回。如果模型对分类变量使用编码，那么ExpandedPredictorNames包括描述扩展变量的名称。否则,ExpandedPredictorNames是一样的PredictorNames．

    数据类型:细胞

    此属性是只读的。

    响应变量名，作为字符向量返回。

    数据类型:字符

    此属性是只读的。

    响应转换函数，返回为“没有”．软件不会转换原始的响应值。

    对象的功能

    全部展开

    石灰 局部可解释的模型不可知解释(LIME)
    partialDependence 计算部分依赖
    plotPartialDependence 创建部分依赖图(PDP)和个人条件期望图(ICE)
    沙普利 沙普利值
    损失 回归神经网络的损失
    预测 使用回归神经网络预测反应

    例子

    全部折叠

    打开生活的脚本

    通过从模型中删除训练数据来减少全回归神经网络模型的大小。您可以使用一个紧凑的模型来提高内存效率。

    加载病人数据集。从数据集创建一个表。每一行对应一个病人，每一列对应一个诊断变量。使用收缩压变量作为响应变量，其余变量作为预测变量。

    负载病人台=表(年龄、舒张压、性别、身高、吸烟,体重,收缩期);

    用数据训练回归神经网络模型。指定收缩压列的tblTrain作为响应变量。指定以标准化数值预测器。

    Mdl = fitrnet(资源描述,“收缩”，“标准化”,真正的)
    Mdl = RegressionNeuralNetwork PredictorNames:{'年龄' '舒张' ' '性别' '身高' '吸烟者' '体重'}ResponseTransform: '收缩期' CategoricalPredictors: [3 5] ResponseTransform: 'none' NumObservations: 100 LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'linear' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory:[1000×7 table]属性，方法

    Mdl是一个完整的RegressionNeuralNetwork模型对象。

    通过使用减小模型的尺寸紧凑的．

    compactMdl =紧凑(Mdl)
    compactMdl = CompactRegressionNeuralNetwork LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'linear'属性，方法

    compactMdl是一个CompactRegressionNeuralNetwork模型对象。compactMdl包含比完整模型更少的属性Mdl．

    显示每个神经网络模型使用的内存数量。

    谁(“Mdl”，“compactMdl”）
    Name Size Bytes Class Attributes Mdl 1x1 72818 RegressionNeuralNetwork compactMdl 1x1 5995 classreg.learning.regr.CompactRegressionNeuralNetwork . Class Attributes

    全型比紧凑型大。

    另请参阅

    |||||

    主题

    介绍了R2021a

    统计和机器学习工具箱文档

    万博1manbetx

    掌握机器学习:一步一步的指导与MATLAB

    掌握机器学习:一步一步的指导与MATLAB

    下载电子书