训练神经网络分类模型据/p>
使用据code class="function">Fitcnet.据/code>培训前馈,完全连接的神经网络进行分类。神经网络的第一个完全连接层具有与网络输入(预测器数据)的连接,并且每个后续层都具有与前一层的连接。每个完全连接的层将输入乘以权重矩阵,然后添加偏置向量。激活功能遵循每个完全连接的图层。最终完全连接的层和随后的SoftMax激活功能会产生网络的输出,即分类分数(后验概率)和预测标签。有关更多信息,请参阅据一种href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="intrnllnk">神经网络结构据/a>.据/p>
返回一个神经网络分类模型据code class="argument">Mdl据/code>使用表中的预测器训练据code class="argument">TBL.据/code>的类标签据code class="argument">responsevarname.据/code>表变量。据/p>
Mdl据/code>
= fitcnet (据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk">TBL.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-ResponseVarName" class="intrnllnk">
responsevarname.据/code>)据/code>
返回使用表中的示例数据训练的神经网络分类模型据code class="argument">TBL.据/code>.输入参数据code class="argument">公式据/code>是反应的解释模型和预测变量的子集据code class="argument">TBL.据/code>适合使用据code class="argument">Mdl据/code>.据/p>
Mdl据/code>
= fitcnet (据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk">TBL.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-formula" class="intrnllnk">
公式据/code>)据/code>
使用表中的预测变量返回神经网络分类模型据code class="argument">TBL.据/code>以及vector中的类标签据code class="argument">y据/code>.据/p>
Mdl据/code>
= fitcnet (据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk">TBL.据/code>那据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">
y据/code>)据/code>
返回使用矩阵中的预测器训练的神经网络分类模型据code class="argument">X据/code>以及vector中的类标签据code class="argument">y据/code>.据/p>
Mdl据/code>
= fitcnet (据一种href="#mw_ca76f978-2fd8-4651-b3df-a50d84e86882" class="intrnllnk">X据/code>那据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">
y据/code>)据/code>
除了前面语法中的任何输入参数组合外,还使用一个或多个名称-值参数指定选项。例如,可以通过指定据一种href="#mw_c8492e70-f801-44ab-a58c-995a26e9e6ab" class="intrnllnk">Mdl据/code>
= fitcnet (据span class="argument_placeholder">___据/span>那据一种href="#namevaluepairarguments" class="intrnllnk">名称,价值据/code>)据/code>
双层据/code>和据一种href="#mw_2c997922-957c-4e43-b5e7-b6673c4cdfab" class="intrnllnk">
激活据/code>名称值参数。据/p>
培训神经网络分类器,并评估对测试集上分类器的性能。据/p>
读取示例文件据code class="literal">Creditrating_Historical.dat.据/code>进入桌子。预测因素数据包括资金比率和行业部门信息,以获取公司客户名单。响应变量包括评级机构指定的信用评级。预览数据集的前几行。据/p>
信用=可读性(据span style="color:#A020F0">“Credenrating_historical.dat”据/span>);头(creditrating)据/pre>
ans =据span class="emphasis">8×8表据/em>ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级 _____ ______ ______ _______ ________ _____ ________ _______ 62394 0.013 0.104 0.036 0.447 0.142 3{“BB”}48608 0.232 0.335 0.062 1.969 0.281 8 {A} 42444 0.311 0.367 0.074 1.935 0.366 1 {A} 48631 0.194 0.263 0.062 1.017 0.228 - 4 {BBB的}43768 0.121 0.413 0.057 3.647 0.466 39255 {' AAA '}-0.117 - 0.118 0.01 0.179 0.082 4 {' ccc '} 62236 0.087 0.158 0.049 0.816 0.324 2 {' bbb '} 39354 0.005 0.181 0.034 2.597 0.388 7 {' aa '}据/pre>
因为每个值都在据code class="literal">ID据/code>变量是一个独特的客户ID,即,据code class="literal">长度(独特(creditrating.ID))据/code>等于观察的数量据code class="literal">信用评级据/code>,据code class="literal">ID据/code>变量是一个很差的预测器。删除据code class="literal">ID据/code>变量,并将据code class="literal">行业据/code>变量到A.据code class="literal">分类据/code>多变的。据/p>
信用=删除Vars(信用,据span style="color:#A020F0">“ID”据/span>);Creditrating.Industry =分类(Creditrating.Industry);据/pre>
转换据code class="literal">评级据/code>响应变量到序数据code class="literal">分类据/code>多变的。据/p>
信用。=分类(信用。,据span style="color:#0000FF">......据/span>[据span style="color:#A020F0">“aaa”据/span>那据span style="color:#A020F0">“AA”据/span>那据span style="color:#A020F0">“一种”据/span>那据span style="color:#A020F0">“BBB”据/span>那据span style="color:#A020F0">“BB”据/span>那据span style="color:#A020F0">“b”据/span>那据span style="color:#A020F0">“CCC”据/span>],据span style="color:#A020F0">“顺序”据/span>,真的);据/pre>
将数据分区为培训和测试集。使用大约80%的观察观察来培训一个神经网络模型,20%的观察结果测试在新数据上测试训练有素的模型的性能。使用据code class="literal">cvpartition据/code>分区数据。据/p>
rng (据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">分区的再现性据/span>c = cvpartition(信用。据span style="color:#A020F0">“坚持”据/span>,0.20);trainingIndices =培训(c);据span style="color:#228B22">培训集的%指数据/span>testindices =测试(c);据span style="color:#228B22">测试集的%索引据/span>creditTrain = creditrating (trainingIndices:);信贷= creditrating (testIndices:);据/pre>
通过传递培训数据列车训练神经网络分类器据code class="literal">信用箱据/code>到了据code class="literal">Fitcnet.据/code>函数。据/p>
mdl = fitcnet(信用箱,据span style="color:#A020F0">“评分”据/span>)据/pre>
mdl = classificationniednetwork predictornames:{wc_ta''re_ta''ebet_ta''mve_bvtd''s_ta'行业'} resportename:'评级'类别预防icon:6 classnames:[aaa aa a bbb bb b ccc] scoreTransform:'无'numobservations:3146 DILTERSIZE:10激活:'relu'OuthentLayARactivation:'Softmax'求解器:'LBFGS'ColouchgenceInfo:[1×1结构]培训课程:[1000×7表]属性,方法据/pre>
通过计算测试集分类错误来评估分类器对测试集的性能。通过使用混淆矩阵可视化结果。据/p>
Mdl据/code>是训练有素的据code class="literal">ClassificationNeuralNetwork据/code>分类器。的属性可以使用点表示法据code class="literal">Mdl据/code>.例如,您可以指定据code class="literal">mdl.traininghistory.据/code>获取有关神经网络模型的培训历史的更多信息。据/p>
testAccuracy = 1 - loss(Mdl,creditTest,据span style="color:#A020F0">“评分”据/span>那据span style="color:#0000FF">......据/span>“LossFun”据/span>那据span style="color:#A020F0">“classiferror”据/span>)据/pre>
testAccuracy = 0.8003据/pre>
信贷confusionchart (creditTest.Rating,预测(Mdl))据/pre>
指定神经网络分类器的结构,包括全连接层的大小。据/p>
加载据code class="literal">电离层据/code>数据集,包括雷达信号数据。据code class="literal">X据/code>包含预测数据,和据code class="literal">y据/code>是响应变量,其值代表良好(“g”)或坏(“B”)雷达信号。据/p>
负载据span style="color:#A020F0">电离层据/span>
将数据分成训练数据(据code class="literal">XTrain.据/code>和据code class="literal">YTrain据/code>)及测试数据(据code class="literal">XTest.据/code>和据code class="literal">ytest.据/code>)通过使用分层熔断分区。预留约30%的测试观察,并使用其余的观察培训。据/p>
rng (据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">分区的再现性据/span>cvp = cvpartition(y,据span style="color:#A020F0">“坚持”据/span>,0.3);XTrain = X(训练(CVP),:);YTrain = Y(培训(CVP));xtest = x(测试(cvp),:);YTEST = Y(测试(CVP));据/pre>
训练神经网络分类器。指定在第一个完全连接的图层中具有35个输出,并在第二完全连接的层中输出20个输出。默认情况下,两层都使用整流的线性单元(Relu)激活功能。您可以使用该方法更改完全连接的图层的激活函数据code class="literal">激活据/code>名称值参数。据/p>
mdl = fitcnet(Xtrain,Ytrain,据span style="color:#0000FF">......据/span>“LayerSizes”据/span>,[35 20])据/pre>
mdl = classificationneuralnetwork racodername:'y'pationoricalpricictors:[] classNames:{'B'G'} ScorEtransform:'无'NumObServations:246 Dropersizes:[35 20]激活:'relu'outputlayEractivation:'softmax'求解器:'lbfgs'ColouchgenceInfo:[1×1结构]培训厅:[47×7表]属性,方法据/pre>
使用的方法获取训练分类器的全连接层的权重和偏差据code class="literal">层次重量据/code>和据code class="literal">LayerBiases据/code>属性据code class="literal">Mdl据/code>.每个属性的前两个元素对应于前两个完全连接的层的值,第三元素对应于最终完全连接层的值,具有用于分类的软MAX激活功能。例如,显示第二完全连接层的权重和偏置。据/p>
mdl.layerweights {2}据/pre>
ans =.据span class="emphasis">20×35据/em>0.0481 0.2501 -0.1535 -0.0934 0.0760 -0.0579 -0.2465 1.0411 0.3712 -1.2007 1.1162 0.4296 0.4045 0.5005 0.8839 0.4624 -0.3154 0.3454 -0.0487 0.2648 0.0732 0.5773 0.4286 0.0881 0.9468 0.2981 0.5534 1.0518 -0.0224 0.6894 0.5527 0.7045 -0.6124 0.2145 -0.0790 -0.9489 -1.8343 0.5510 -0.5751 -0.8726 0.8815 0.0203 -1.6379 2.0315 1.4153 -1.4335-1.1638 -0.1715 - 0.1439 -0.7661 1.1230 -1.1982 -0.5409 -0.5821 -0.0627 -0.7038 -0.0817 -1.5773 -1.4671 0.2053 -0.7931 -1.6201 -0.1737 -0.7762 -0.3063 -0.8771 1.5134 -0.4611 -0.0649 -0.1910 0.0246 -0.3511 0.0097 0.3160 -0.0693 0.2270 -0.0783 -0.1626 -0.3478 0.2765 0.4179 0.0727 -0.0314 -0.1798 -0.0583 0.1375 -0.1876 0.2137 0.1497 0.0395 0.2859-0.0905 0.4325 -0.2012 0.0388 -0.1441 -0.1431 -0.0249 -0.2200 0.0860 -0.2076 0.0132 0.1737 -0.0415 -0.0059 -0.0753 -0.1477 -0.1621 -0.1762 0.2164 0.1710 -0.0610 -0.1402 0.1452 0.2890 0.2872 -0.2616 -0.4204 -0.2831 -0.1901 0.0036 0.0781 -0.0826 0.1588 -0.2782 0.2510 -0.1069 -0.2692 0.2306 0.2521 0.0306 0.2524 -0.4218 0.2478 0.2343 -0.1031 0.1037 0.1598 1.1848 1.6142 -0.1352 0.5774 0.5491 0.0103 0.0209 0.7219 -0.8643 -0.5578 1.3595 1.5385 1.0015 0.7416 -0.4342 0.2279 0.5667 1.1589 0.7100 0.1823 0.4171 0.7051 0.0794 1.3267 1.2659 0.3197 0.3947 0.3436 -0.1415 0.6607 1.0071 0.7726 -0.2840 0.8801 0.0848 0.2486 -0.2920 -0.0004 0.2806 0.2987 -0.2709 0.1473 -0.2580 -0.0499 -0.0755 0.2000 0.1535 -0.0285 -0.0520 -0.2523 -0.2505 -0.0437 -0.2323 0.2023 0.2061 -0.1365 0.0744 0.0344 -0.2891 0.2341 -0.1556 0.1459 0.2533 -0.0583 0.0243 -0.2949 -0.1530 0.1546 -0.0340 -0.1562 -0.0516 0.0640 0.1824 -0.0675 -0.2065 -0.0052 -0.1682 -0.1520 0.0060 0.0450 0.0813 -0.0234 0.0657 0.3219 -0.1871 0.0658 -0.2103 0.0060 -0.2831 -0.1811 -0.0988 0.2378 -0.0761 0.1714 -0.1596 -0.0011 0.0609 0.4003 0.3687 -0.2879 0.0910 0.0604 -0.2222 -0.2735 -0.1155 -0.6192 -0.7804 -0.0506 -0.4205 -0.2584 -0.2020 -0.0008 0.0534 1.0185 -0.0307 -0.0539 -0.2020 0.0368 -0.1847 0.0886 -0.4086 -0.4648 -0.3785 0.1542 -0.5176 -0.3207 0.1893 -0.0313 -0.5297 -0.1261 -0.2749 -0.6152 -0.5914 -0.3089 0.2432 -0.3955 -0.1711 0.1710 -0.4477 0.0718 0.5049 -0.1362 -0.2218 0.1637 -0.1282 -0.1008 0.1445 0.4527 -0.4887 0.0503 0.1453 0.1316 -0.3311 -0.1081 -0.7699 0.4062 -0.1105 -0.0855 0.0630 -0.1469 -0.2533 0.3976 0.0418 0.5294 0.3982 0.1027 -0.0973 -0.1282 0.2491 0.0425 0.0533 0.1578 -0.8403 -0.0535 -0.0048 1.1109 -0.0466 0.4044 0.6366 0.1863 0.5660 0.2839 0.8793 -0.5497 0.0057 0.3468 0.0980 0.3364 0.4669 0.1466 0.7883 -0.1743 0.4444 0.4535 0.1521 0.7476 0.2246 0.4473 0.2829 0.8881 0.4666 0.6334 0.3105 0.9571 0.2808 0.6483 0.1180 -0.4558 1.2486 0.2453 ⋮据/pre>
Mdl。LayerBiases {2}据/pre>
ans =.据span class="emphasis">20×1据/em>0.6147 0.1891 -0.2767 -0.2977 1.3655 0.0347 0.1509 -0.4839 -0.3960 0.9248⋮据/pre>
最后的全连接层有两个输出,响应变量中的每个类都有一个输出。层输出的数量对应于层权重和层偏差的第一个维度。据/p>
大小(Mdl.LayerWeights{结束})据/pre>
ans =.据span class="emphasis">1×2据/em>2 20据/pre>
大小(Mdl.LayerBiases{结束})据/pre>
ans =.据span class="emphasis">1×2据/em>2 1据/pre>
要估算培训的分类器的性能,计算测试集分类错误据code class="literal">Mdl据/code>.据/p>
testError =损失(MDL,XTEST,YTEST,据span style="color:#0000FF">......据/span>“LossFun”据/span>那据span style="color:#A020F0">“classiferror”据/span>)据/pre>
testerror = 0.0774.据/pre>
准确度= 1 -测试误差据/pre>
精度= 0.9226.据/pre>
Mdl据/code>准确分类了测试集中大约92%的观测值。据/p>
在训练过程的每次迭代时,计算神经网络的验证丢失。如果验证损失达到合理的最低限度,请尽早停止培训流程。据/p>
加载据code class="literal">耐心据/code>数据集。从数据集创建表。每行对应于一个患者,并且每列对应于诊断变量。使用据code class="literal">吸烟者据/code>变量作为响应变量,以及变量的其余变量作为预测器。据/p>
负载据span style="color:#A020F0">耐心据/span>TBL =表(舒张,收缩,性别,身高,体重,年龄,吸烟者);据/pre>
将数据分离到一个训练集据code class="literal">tbltrain据/code>和验证集据code class="literal">tblValidation据/code>通过使用分层的抵抗层分区。该软件为验证数据集保留约30%的观测值,其余的观测值用于训练数据集。据/p>
rng (据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">分区的再现性据/span>c = cvpartition(tbl.smoker,据span style="color:#A020F0">“坚持”据/span>, 0.30);trainingIndices =培训(c);validationIndices =测试(c);tblTrain =(资源(trainingIndices:);tblValidation =(资源(validationIndices:);据/pre>
通过使用培训集列车神经网络分类器。指定据code class="literal">吸烟者据/code>柱的据code class="literal">tbltrain据/code>作为响应变量。使用验证集评估每个迭代的模型。指定通过使用使用的每次迭代时显示培训信息据code class="literal">verb据/code>名称值参数。默认情况下,培训过程提前结束,如果验证跨熵损耗大于或等于到目前为止计算的最小验证跨熵损失,则连续六次。要更改验证丢失的次数,允许大于或等于最小值,请指定据code class="literal">验证障碍据/code>名称值参数。据/p>
mdl = fitcnet(tbltrain,据span style="color:#A020F0">“吸烟者”据/span>那据span style="color:#0000FF">......据/span>“ValidationData”据/span>tblValidation,据span style="color:#0000FF">......据/span>“详细”据/span>1);据/pre>
|==========================================================================================| | 迭代| |火车损失梯度| | | |一步迭代验证验证 | | | | | | 时间(秒)| |检查损失 | |==========================================================================================| | 1 | 2.602935 | 26.866935 | 0.262009 |0.001800 | 2.793048 | 0 | | 2 | 1.470816 | 42.594723 | 0.058323 | 0.001460 | 1.247046 | 0 | | 3 | 1.299292 | 25.854432 | 0.034910 | 0.000456 | 1.507857 | 1 | | 4 | 0.710465 | 11.629107 | 0.013616 | 0.000617 | 0.889157 | 0 | | 5 | 0.647783 | 2.561740 | 0.005753 | 0.000957 | 0.766728 | 0 | | 6 | 0.645541 | 0.681579 | 0.001000 | 0.000706 | 0.776072 | 1 | | 7 | 0.639611 | 1.544692 | 0.007013 |0.。0.0.5517| 0.776320| 2| | 8| 0.604189| 5.045676| 0.064190| 0.000534| 0.744919| 0| | 9| 0.565364| 5.851552| 0.068845| 0.000504| 0.694226| 0| | 10| 0.391994| 8.377717| 0.560480| 0.000370| 0.425466| 0| |==========================================================================================| | Iteration | Train Loss | Gradient | Step | Iteration | Validation | Validation | | | | | | Time (sec) | Loss | Checks | |==========================================================================================| | 11| 0.383843| 0.630246| 0.110270| 0.000749| 0.428487| 1| | 12| 0.369289| 2.404750| 0.084395| 0.000531| 0.405728| 0| | 13| 0.357839| 6.220679| 0.199197| 0.000353| 0.378480| 0| | 14| 0.344974| 2.752717| 0.029013| 0.000330| 0.367279| 0| | 15| 0.333747| 0.711398| 0.074513| 0.000328| 0.348499| 0| | 16| 0.327763| 0.804818| 0.122178| 0.000348| 0.330237| 0| | 17| 0.327702| 0.778169| 0.009810| 0.000365| 0.329095| 0| | 18| 0.327277| 0.020615| 0.004377| 0.000380| 0.329141| 1| | 19| 0.327273| 0.010018| 0.003313| 0.000432| 0.328773| 0| | 20| 0.327268| 0.019497| 0.000805| 0.000776| 0.328831| 1| |==========================================================================================| | Iteration | Train Loss | Gradient | Step | Iteration | Validation | Validation | | | | | | Time (sec) | Loss | Checks | |==========================================================================================| | 21| 0.327228| 0.113983| 0.005397| 0.000509| 0.329085| 2| | 22| 0.327138| 0.240166| 0.012159| 0.000333| 0.329406| 3| | 23| 0.326865| 0.428912| 0.036841| 0.000381| 0.329952| 4| | 24| 0.325797| 0.255227| 0.139585| 0.000339| 0.331246| 5| | 25| 0.325181| 0.758050| 0.135868| 0.000890| 0.332035| 6| |==========================================================================================|据/pre>
创建一个比较训练跨熵损失和每次迭代的验证交叉熵丢失的剧情。默认情况下,据code class="literal">Fitcnet.据/code>将丢失信息存储在据code class="literal">培训汉语据/code>对象的属性据code class="literal">Mdl据/code>.您可以使用点表示法访问此信息。据/p>
迭代= mdl.traininghistory.Ceration;trainlosses = mdl.traininghistory.trainingloss;vallosses = mdl.traininghistory.validationLoss;情节(迭代,Trainlosses,迭代,Vallosses)传奇([据span style="color:#A020F0">“训练”据/span>那据span style="color:#A020F0">“验证”据/span>])Xlabel(据span style="color:#A020F0">“迭代”据/span>)ylabel(据span style="color:#A020F0">“交叉熵损失”据/span>)据/pre>
检查对应于最小验证丢失的迭代。最终退回的模型据code class="literal">Mdl据/code>是在此迭代训练的模型。据/p>
[~, minIdx] = min (valLosses);迭代(minIdx)据/pre>
ans = 19据/pre>
评估不同正则化强度神经网络模型的交叉验证损失,选择性能最佳模型对应的正则化强度。据/p>
读取示例文件据code class="literal">Creditrating_Historical.dat.据/code>进入桌子。预测因素数据包括资金比率和行业部门信息,以获取公司客户名单。响应变量包括评级机构指定的信用评级。预览数据集的前几行。据/p>
信用=可读性(据span style="color:#A020F0">“Credenrating_historical.dat”据/span>);头(creditrating)据/pre>
ans =据span class="emphasis">8×8表据/em>ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级 _____ ______ ______ _______ ________ _____ ________ _______ 62394 0.013 0.104 0.036 0.447 0.142 3{“BB”}48608 0.232 0.335 0.062 1.969 0.281 8 {A} 42444 0.311 0.367 0.074 1.935 0.366 1 {A} 48631 0.194 0.263 0.062 1.017 0.228 - 4 {BBB的}43768 0.121 0.413 0.057 3.647 0.466 39255 {' AAA '}-0.117 - 0.118 0.01 0.179 0.082 4 {' ccc '} 62236 0.087 0.158 0.049 0.816 0.324 2 {' bbb '} 39354 0.005 0.181 0.034 2.597 0.388 7 {' aa '}据/pre>
因为每个值都在据code class="literal">ID据/code>变量是一个独特的客户ID,即,据code class="literal">长度(独特(creditrating.ID))据/code>等于观察的数量据code class="literal">信用评级据/code>,据code class="literal">ID据/code>变量是一个很差的预测器。删除据code class="literal">ID据/code>变量,并将据code class="literal">行业据/code>变量到A.据code class="literal">分类据/code>多变的。据/p>
信用=删除Vars(信用,据span style="color:#A020F0">“ID”据/span>);Creditrating.Industry =分类(Creditrating.Industry);据/pre>
转换据code class="literal">评级据/code>响应变量到序数据code class="literal">分类据/code>多变的。据/p>
信用。=分类(信用。,据span style="color:#0000FF">......据/span>[据span style="color:#A020F0">“aaa”据/span>那据span style="color:#A020F0">“AA”据/span>那据span style="color:#A020F0">“一种”据/span>那据span style="color:#A020F0">“BBB”据/span>那据span style="color:#A020F0">“BB”据/span>那据span style="color:#A020F0">“b”据/span>那据span style="color:#A020F0">“CCC”据/span>],据span style="color:#A020F0">“顺序”据/span>,真的);据/pre>
创建一个据code class="literal">cvpartition据/code>目的分层5倍交叉验证。据code class="literal">CVP.据/code>将数据分为五个折叠,其中每个折叠具有大致相同的不同信用评级比例。将随机种子设置为默认值以进行分区的再现性。据/p>
rng (据span style="color:#A020F0">“默认”据/span>)CVP = CVPartition(信用。据span style="color:#A020F0">“KFold”据/span>5);据/pre>
具有不同正则化强度的神经网络分类器的交叉验证分类错误。尝试按照1 /的顺序进行正常化优势据span class="emphasis">N.据/em>,在那里据span class="emphasis">N.据/em>是观察人数。指定在培训神经网络模型之前标准化数据。据/p>
策划的结果。找出最小交叉验证分类误差对应的正则化强度。据/p>
使用培训神经网络分类器据code class="literal">Bestlambda.据/code>正则化的力量。据/p>
1 /尺寸(信用,1)据/pre>
ANS = 2.5432E-04据/pre>
λ=(0:0.5:5)* 1的军医;cvloss = 0(长度(λ),1);据span style="color:#0000FF">为据/span>i = 1:长度(lambda)cvmdl = fitcnet(信用,据span style="color:#A020F0">“评分”据/span>那据span style="color:#A020F0">“lambda”据/span>,λ(我),据span style="color:#0000FF">......据/span>“cvpartition”据/span>、本量利、据span style="color:#A020F0">“标准化”据/span>,真的);cvloss(i)= kfoldloss(cvmdl,据span style="color:#A020F0">“LossFun”据/span>那据span style="color:#A020F0">“classiferror”据/span>);据span style="color:#0000FF">结束据/span>
情节(Lambda,CVloss)Xlabel(据span style="color:#A020F0">“正规化的力量”据/span>)ylabel(据span style="color:#A020F0">“交叉验证损失”据/span>)据/pre>
[〜,IDX] = min(cvloss);Bestlambda = lambda(IDX)据/pre>
Bestlambda = 5.0000E-05据/pre>
mdl = fitcnet(信用,据span style="color:#A020F0">“评分”据/span>那据span style="color:#A020F0">“lambda”据/span>bestLambda,据span style="color:#0000FF">......据/span>“标准化”据/span>,真的)据/pre>
Mdl = ClassificationNeuralNetwork PredictorNames:{‘WC_TA’‘RE_TA’‘EBIT_TA’‘MVE_BVTD’‘S_TA’‘工业’}ResponseName:“评级”CategoricalPredictors: 6类名:(AAA AA BBB BB B CCC) ScoreTransform:“没有一个”NumObservations: 3932 LayerSizes: 10激活:“relu”OutputLayerActivation:“softmax”解算器:“LBFGS”ConvergenceInfo:[1×1 struct] TrainingHistory: [1000×7 table]属性,方法据/pre>
TBL.据/code>-据span itemprop="purpose">样本数据据/span>
表格据/span>
用于训练模型的样本数据,指定为表。每一行的据code class="literal">TBL.据/code>对应于一个观察,并且每列对应于一个预测变量。可选地,据code class="literal">TBL.据/code>可以为响应变量包含一个额外的列。除了字符向量的单元格数组之外,不允许使用多列变量和单元格数组。据/p>
如果据code class="literal">TBL.据/code>包含响应变量,并且您希望使用所有剩余的变量据code class="literal">TBL.据/code>作为预测器,然后使用据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-ResponseVarName" class="intrnllnk">responsevarname.据/code>.据/p>
如果据code class="literal">TBL.据/code>包含响应变量,并且您希望仅使用其中剩余变量的一个子集据code class="literal">TBL.据/code>作为预测器,然后通过使用指定公式据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-formula" class="intrnllnk">公式据/code>.据/p>
如果据code class="literal">TBL.据/code>不包含响应变量,然后通过使用指定响应变量据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">y据/code>.响应变量的长度和行的数量据code class="literal">TBL.据/code>必须是平等的。据/p>
数据类型:据/strong>表格据/code>
responsevarname.据/code>-据span itemprop="purpose">响应变量名称据/span>
变量名据code class="literal">TBL.据/code>
响应变量名称,指定为变量的名称据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 您必须指定据code class="literal">responsevarname.据/code>作为字符向量或字符串标量。例如,如果响应变量据code class="literal">y据/code>存储为据code class="literal">tbl.y.据/code>,然后将其指定为据code class="literal">“Y”据/code>.否则,该软件将处理所有列据code class="literal">TBL.据/code>,包括据code class="literal">y据/code>,作为训练模型时的预测器。据/p>
response变量必须是一个分类数组、字符数组或字符串数组;逻辑或数字向量;或者字符向量的单元格数组。如果据code class="literal">y据/code>是一个字符数组,那么响应变量的每个元素都必须对应于数组的一行。据/p>
良好做法是使用使用的指定类的顺序据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-ClassNames" class="intrnllnk"> 数据类型:据/strong>TBL.据/code>.据/p>
Classnames.据/code>名称值参数。据/p>
字符据/code>|据code itemprop="datatype">细绳据/code>
公式据/code>-据span itemprop="purpose">响应变量的解释模型和预测变量子集据/span>
字符向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
解释模型的响应变量和预测变量的子集,指定为字符向量或字符串标量的形式据code class="literal">“Y ~ x1 + x2 + x3”据/code>.在这种形式,据code class="literal">y据/code>表示响应变量,和据code class="literal">X1据/code>那据code class="literal">X2据/code>,据code class="literal">X3据/code>代表预测变量。据/p>
指定变量的子集据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 公式中的变量名必须是其中的两个变量名据code class="argument">TBL.据/code>(据code class="literal">Tbl.Properties.VariableNames据/code>)和有效的matlab据sup>®据/sup>标识符。您可以验证变量名据code class="argument">TBL.据/code>通过使用据一种href="//www.tianjin-qmedu.com/help/matlab/ref/isvarname.html"> 数据类型:据/strong>TBL.据/code>作为培训模型的预测器,使用公式。如果指定公式,则软件不使用任何变量据code class="argument">TBL.据/code>没有出现在据code class="argument">公式据/code>.据/p>
isvarname据/code>函数。如果变量名称无效,则可以使用使用的转换它们据一种href="//www.tianjin-qmedu.com/help/matlab/ref/matlab.lang.makevalidname.html">
matlab.lang.makeValidName据/code>函数。据/p>
字符据/code>|据code itemprop="datatype">细绳据/code>
y据/code>-据span itemprop="purpose">类标签据/span>
数字矢量据/span>|据span itemprop="inputvalue">分类向量据/span>|据span itemprop="inputvalue">逻辑矢量据/span>|据span itemprop="inputvalue">字符阵列据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
用于培训模型的类标签,指定为数字,分类或逻辑向量;字符或字符串阵列;或者字符向量的单元格数组。据/p>
如果据code class="argument">y据/code>是一个字符数组,那么类标签的每个元素都必须对应于数组的一行。据/p>
的长度据code class="argument">y据/code>必须等于里面的行数据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk">TBL.据/code>要么据一种href="#mw_ca76f978-2fd8-4651-b3df-a50d84e86882" class="intrnllnk">
X据/code>.据/p>
方法指定类的顺序是一种好的实践据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-ClassNames" class="intrnllnk">Classnames.据/code>名称值参数。据/p>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">分类据/code>|据code itemprop="datatype">逻辑据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">细绳据/code>|据code itemprop="datatype">细胞据/code>
X据/code>-据span itemprop="purpose">预测数据据/span>
数字矩阵据/span>
用于训练模型的预测数据,指定为数值矩阵。据/p>
默认情况下,该软件将每行进行处理据code class="argument">X据/code>作为一个观察,每列作为一个预测器。据/p>
的长度据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk"> 按预测器在中出现的顺序指定它们的名称据code class="argument">X据/code>, 使用据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-PredictorNames" class="intrnllnk"> 请注意据/strong> 如果您定位预测矩阵,以便观察对应于列并指定据code class="literal">'观察','列'据/code>,然后您可能会遇到计算时间的显着减少。据/p>
数据类型:据/strong>y据/code>和观察人数据code class="argument">X据/code>必须是平等的。据/p>
预测据/code>名称值参数。据/p>
单身的据/code>|据code itemprop="datatype">双据/code>
请注意据/strong>
该软件将据code class="literal">南据/code>,空字符向量(据code class="literal">''据/code>),空字符串(据code class="literal">""据/code>),据code class="literal"><缺失>据/code>,据code class="literal"><未定义>据/code>元素作为缺失值,并与任何这些特征删除观察:据/p>
响应变量中缺少值(例如,据code class="argument">y据/code>要么据code class="argument">验证数据据/code>{2}据/code>)据/p>
在预测器观察中至少有一个缺失值(例如,row in)据code class="argument">X据/code>要么据code class="literal">ValidationData {1}据/code>)据/p>
南据/code>价值或据code class="literal">0.据/code>重量(例如,价值据code class="argument">重量据/code>要么据code class="literal">ValidationData {3}据/code>)据/p>
指定可选的逗号分隔的对据code class="argument">名称,价值据/code>论点。据code class="literal">名称据/code>参数名和据code class="literal">价值据/code>是相应的价值。据code class="literal">名称据/code>必须出现在引号内。可以以任意顺序指定多个名称和值对参数据code class="literal">name1,value1,...,namen,valuen据/code>.据/p>
例子:据/strong>Fitcnet(x,y,'pattersized',[10 10],'激活',[“Relu”,“Tanh”))据/code>指定创建具有两个完全连接的图层的神经网络,每个都具有10个输出。第一层使用整流的线性单元(Relu)激活功能,第二个层使用双曲线切针激活功能。据/span>
'didersize'据/code>-据span itemprop="purpose">完全连接层的大小据/span>
10.据/code>
(默认)|据span itemprop="inputvalue">正整数向量据/span>
神经网络模型中的完全连接层的大小,指定为正整数向量。的据E.mclass="varname">一世据/em>th元素据code class="argument">双层据/code>是输出的数量据E.mclass="varname">一世据/em>TH完全连接的神经网络模型层。据/p>
例子:据/strong>双层据/code>不包括使用softmax激活功能的最终完全连接层的大小。有关更多信息,请参阅据一种href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="intrnllnk">神经网络结构据/a>.据/p>
“LayerSizes”,[100 25 10]据/code>
“激活”据/code>-据span itemprop="purpose">完全连接层的激活功能据/span>
'relu'据/code>
(默认)|据span itemprop="inputvalue">'tanh'据/code>
|据span itemprop="inputvalue">“乙状结肠”据/code>
|据span itemprop="inputvalue">“没有”据/code>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
神经网络模型的完全连接层的激活功能,指定为字符向量,字符串标量,字符串数组或具有此表中值的字符向量的单元格数组。据/p>
价值据/th> | 描述据/th> |
---|---|
'relu'据/code> |
纠正的线性单元(Relu)函数 - 对输入的每个元素执行阈值操作,其中任何值小于零的值设置为零,即,据/p>
|
'tanh'据/code> |
双曲tan (tanh)函数-应用据code class="function">双曲正切据/code>函数的每个输入元素据/p> |
“乙状结肠”据/code> |
sigmoid函数 - 在每个输入元素上执行以下操作:据/p>
|
“没有”据/code> |
标识函数——返回每个输入元素,而不执行任何转换,即:据span class="inlineequation">F据/em>(据E.mclass="varname">X据/em>)=据E.mclass="varname">X据/em> |
如果你只指定一个激活函数,那么据code class="argument">激活据/code>是神经网络模型的每个完全连接层的激活功能,不包括最终完全连接的图层。最终完全连接图层的激活函数始终是SoftMax(参见据一种href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="intrnllnk">神经网络结构据/a>).据/p>
如果指定了一系列激活函数,那么那么据E.mclass="varname">一世据/em>th元素据code class="argument">激活据/code>是激活功能据E.mclass="varname">一世据/em>神经网络模型的第二层。据/p>
例子:据/strong>'激活','sigmoid'据/code>
'tallayweightsinitializer'据/code>-据span itemprop="purpose">初始化完全连接的层权重的功能据/span>
“glorot”据/code>
(默认)|据span itemprop="inputvalue">“他”据/code>
函数初始化完全连接的层权重,指定为据code class="literal">“glorot”据/code>要么据code class="literal">“他”据/code>.据/p>
价值据/th> | 描述据/th> |
---|---|
“glorot”据/code> |
用gloria初始化器初始化权重据一种href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="intrnllnk">[1]据/a>(也称为Xavier Initializer)。对于每层,Glorot Initaliger独立地由均匀分布的零平均值和变量的样本据code class="literal">2 /(I + O)据/code>,在那里据code class="literal">一世据/code>输入大小和输入大小据code class="literal">O.据/code>是该层的输出大小。据/td> |
“他”据/code> |
使用He初始化器初始化权重据一种href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="intrnllnk">[2]据/a>.对于每层,他初始化来自正常分布的样本,零均值和方差据code class="literal">2 / I.据/code>,在那里据code class="literal">一世据/code>是图层的输入大小。据/td> |
例子:据/strong>'层重量函数','他'据/code>
'diplaybiasesinitializer'据/code>-据span itemprop="purpose">初始完全连通层偏见的类型据/span>
“零”据/code>
(默认)|据span itemprop="inputvalue">“的”据/code>
初始完全连接的层偏置类型,指定为据code class="literal">“零”据/code>要么据code class="literal">“的”据/code>.据/p>
如果指定值据code class="literal">“零”据/code>然后,每个完全连接的层具有0的初始偏差。据/p>
如果指定值据code class="literal">“的”据/code>然后,每个完全连接的层具有1的初始偏差。据/p>
例子:据/strong>“LayerBiasesInitializer”、“的”据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">细绳据/code>
'观察'据/code>-据span itemprop="purpose">预测数据观察维度据/span>
“行”据/code>
(默认)|据span itemprop="inputvalue">“列”据/code>
预测器数据观测维数,指定为据code class="literal">“行”据/code>要么据code class="literal">“列”据/code>.据/p>
请注意据/strong>
如果您定位预测矩阵,以便观察对应于列并指定据code class="literal">'观察','列'据/code>,然后您可能会遇到计算时间的显着减少。您无法指定据code class="literal">'观察','列'据/code>对于表中的预测数据。据/p>
例子:据/strong>'观察','列'据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">细绳据/code>
'lambda'据/code>-据span itemprop="purpose">正则化项的力量据/span>
0.据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
正则化术语力量,指定为非负标量。该软件组成了从跨熵丢失函数和脊(L2)惩罚术语最小化的目标函数。据/p>
例子:据/strong>'lambda',1e-4据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
“标准化”据/code>-据span itemprop="purpose">标志为标准化预测器数据据/span>
假据/code>要么据code class="literal">0.据/code>
(默认)|据span itemprop="inputvalue">真正的据/code>要么据code class="literal">1据/code>
标志以标准化预测器数据,指定为数字或逻辑据code class="literal">0.据/code>(据code class="literal">假据/code>) 要么据code class="literal">1据/code>(据code class="literal">真正的据/code>).如果你设置了据code class="argument">标准化据/code>到据code class="literal">真正的据/code>然后,软件中心并通过相应的列均值和标准偏差缩放每个数字预测器变量。该软件不标准化分类预测器。据/p>
例子:据/strong>“标准化”,真的据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">逻辑据/code>
'verbose'据/code>-据span itemprop="purpose">冗长水平据/span>
0.据/code>
(默认)|据span itemprop="inputvalue">1据/code>
详细级别,指定为据code class="literal">0.据/code>要么据code class="literal">1据/code>.的据code class="argument">'verbose'据/code>名称值参数控制诊断信息的数量据code class="function">Fitcnet.据/code>在命令行中显示。据/p>
价值据/th> | 描述据/th> |
---|---|
0.据/code> |
Fitcnet.据/code>不显示诊断信息。据/td>
|
1据/code> |
Fitcnet.据/code>定期显示诊断信息。据/td>
|
默认情况下,据一种href="#mw_0bc6fa35-f89b-4734-937c-db37a327879c" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>储藏库据/code>被设置为据code class="literal">真正的据/code>和据code class="function">Fitcnet.据/code>存储内部的诊断信息据一种href="#mw_cda25628-1fbe-4047-a56a-83e092fefbf8" class="intrnllnk">
Mdl据/code>.使用据code class="literal">mdl.traininghistory.据/code>访问诊断信息。据/p>
'verbose',1据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
“VerboseFrequency”据/code>-据span itemprop="purpose">详细打印频率据/span>
1据/code>
(默认)|据span itemprop="inputvalue">正整数标量据/span>
频率的频率打印,这是打印到命令窗口之间的迭代次数,指定为正整数标量。值1表示在每次迭代时打印诊断信息。据/p>
请注意据/strong>
要使用这个名称-值参数,请设置据一种href="#mw_7fbbb725-1f26-47af-beb6-051ebe213c4f" class="intrnllnk">verb据/code>到据code class="literal">1据/code>.据/p>
例子:据/strong>'verbosefrequency',5据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
“StoreHistory”据/code>-据span itemprop="purpose">标记以存储培训历史据/span>
真正的据/code>要么据code class="literal">1据/code>
(默认)|据span itemprop="inputvalue">假据/code>要么据code class="literal">0.据/code>
标记以存储训练历史记录,指定为数字或逻辑据code class="literal">0.据/code>(据code class="literal">假据/code>) 要么据code class="literal">1据/code>(据code class="literal">真正的据/code>).如果据code class="argument">储藏库据/code>被设置为据code class="literal">真正的据/code>,然后软件将诊断信息存储在里面据一种href="#mw_cda25628-1fbe-4047-a56a-83e092fefbf8" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>Mdl据/code>,您可以使用据code class="literal">mdl.traininghistory.据/code>.据/p>
“StoreHistory”,假的据/code>
单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">逻辑据/code>
“IterationLimit”据/code>-据span itemprop="purpose">最大培训迭代次数据/span>
1 e3据/code>
(默认)|据span itemprop="inputvalue">正整数标量据/span>
最大训练迭代次数,指定为正整数标量。据/p>
无论培训例程是否成功收敛,软件返回培训的模型。据code class="literal">Mdl。ConvergenceInfo据/code>包含收敛信息。据/p>
例子:据/strong>'iterationlimit',1e8据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'gradienttolerance'据/code>-据span itemprop="purpose">相对梯度耐受性据/span>
1E-6据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对梯度容差,指定为非负标量。据/p>
让据span class="inlineequation"> 为训练迭代时的损失函数据E.mclass="varname">T.据/em>那据span class="inlineequation"> 为迭代时损失函数相对于权值和偏差的梯度据E.mclass="varname">T.据/em>,据span class="inlineequation"> 为损失函数在初始点的梯度。如果据span class="inlineequation"> ,在那里据span class="inlineequation"> ,然后训练过程终止。据/p>
例子:据/strong>e-5 GradientTolerance, 1据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
“LossTolerance”据/code>-据span itemprop="purpose">损失容忍度据/span>
1E-6据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
损失容差,指定为非负标量。据/p>
如果在一些迭代的函数损失小于据code class="argument">losstolerance.据/code>,然后训练过程终止。据/p>
例子:据/strong>'Losstolerance',1E-8据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'steptolerance'据/code>-据span itemprop="purpose">步尺寸公差据/span>
1E-6据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
步长公差,指定为非负标量。据/p>
如果某个迭代的步长小于据code class="argument">StepTolerance.据/code>,然后训练过程终止。据/p>
例子:据/strong>“StepTolerance”,1的军医据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'vightationdata'据/code>-据span itemprop="purpose">用于训练收敛性检测的验证数据据/span>
细胞阵列据/span>|据span itemprop="inputvalue">表格据/span>
验证收敛检测的验证数据,指定为单元数组或表。据/p>
在培训过程中,软件通过使用,定期估计验证损失据code class="argument">验证数据据/code>.如果验证损失增加超过据一种href="#mw_e7a7a816-a71e-40d5-bf88-f76ddde59342" class="intrnllnk"> 您可以指定据code class="argument">验证数据据/code>作为表格,如果您使用表格据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 如果您指定据code class="argument">验证数据据/code>作为单元格数组,那么它必须具有以下格式:据/p>
可选地,您可以指定据code class="literal">ValidationData {3}据/code>作为A.据E.mclass="varname">m据/em>- 尺寸的数字矢量的观察权重或表中变量的名称据code class="literal">ValidationData {1}据/code>包含观察重量。软件将权重与验证数据标准化,使其总和为1。据/p> 如果您指定据code class="argument">验证数据据/code>并希望在命令行中显示验证丢失,设置据一种href="#mw_7fbbb725-1f26-47af-beb6-051ebe213c4f" class="intrnllnk">验证障碍据/code>时间,然后软件终止培训。据/p>
TBL.据/code>包含响应变量的预测数据。在这种情况下,据code class="argument">验证数据据/code>必须包含相同的预测器和响应据code class="argument">TBL.据/code>.软件不会对观察结果进行加权,即使据code class="argument">TBL.据/code>包含重量的矢量。要指定权重,您必须指定据code class="argument">验证数据据/code>作为单元阵列。据/p>
ValidationData {1}据/code>必须具有与预测器数据相同的数据类型和方向。也就是说,如果你使用一个预测矩阵据一种href="#mw_ca76f978-2fd8-4651-b3df-a50d84e86882" class="intrnllnk">
X据/code>,然后据code class="literal">ValidationData {1}据/code>必须是一个据E.mclass="varname">m据/em>——- - - - - -据E.mclass="varname">P.据/em>要么据E.mclass="varname">P.据/em>——- - - - - -据E.mclass="varname">m据/em>具有相同方向的预测数据矩阵据code class="argument">X据/code>.训练数据中的预测变量据code class="literal">X据/code>和据code class="literal">ValidationData {1}据/code>必须对应。同样,如果您使用预测的表据code class="argument">TBL.据/code>然后是预测的数据据code class="literal">ValidationData {1}据/code>必须是包含包含相同预测变量的表据code class="argument">TBL.据/code>.观察次数据code class="literal">ValidationData {1}据/code>并且预测器数据可以变化。据/p>
ValidationData {2}据/code>必须匹配响应变量的数据类型和格式据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">
y据/code>要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-ResponseVarName" class="intrnllnk">
responsevarname.据/code>.如果据code class="literal">ValidationData {2}据/code>是一系列类标签,那么它必须具有与观察次数相同的元素据code class="literal">ValidationData {1}据/code>.所有不同标签的集合据code class="literal">ValidationData {2}据/code>的所有不同标签的子集据code class="argument">y据/code>.如果据code class="literal">ValidationData {1}据/code>是一张桌子,然后据code class="literal">ValidationData {2}据/code>可以是表中响应变量的名称。如果你想使用它据code class="argument">responsevarname.据/code>要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-formula" class="intrnllnk">
公式据/code>,您可以指定据code class="literal">ValidationData {2}据/code>作为据code class="literal">[]据/code>.据/p>
verb据/code>到据code class="literal">1据/code>.据/p>
'验证职业'据/code>-据span itemprop="purpose">验证评估之间的迭代次数据/span>
1据/code>
(默认)|据span itemprop="inputvalue">正整数标量据/span>
验证评估之间的迭代次数,指定为正整数标量。值1表示在每次迭代时评估验证度量。据/p>
请注意据/strong>
要使用此名称值参数,必须指定据一种href="#mw_1f2ce16b-cdfb-40ca-bf0d-f97f48b862d9" class="intrnllnk">验证数据据/code>.据/p>
例子:据/strong>'验证频道',5据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'验证景点'据/code>-据span itemprop="purpose">停止验证评估条件据/span>
6.据/code>
(默认)|据span itemprop="inputvalue">非负整数标量据/span>
停止条件用于验证评估,指定为非负整数标量。如果验证损失大于或等于到目前为止计算的最低验证损失,则培训过程停止,据code class="literal">验证障碍据/code>连续时代。你可以检查据code class="literal">mdl.traininghistory.据/code>表来查看验证损耗大于或等于最小值的次数(据code class="literal">验证检查据/code>).据/p>
例子:据/strong>“ValidationPatience”,10据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'pationoricalpricictors'据/code>-据span itemprop="purpose">分类预测列表据/span>
正整数向量据/span>|据span itemprop="inputvalue">逻辑矢量据/span>|据span itemprop="inputvalue">字符矩阵据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>|据span itemprop="inputvalue">“所有”据/code>
分类预测器列表,指定为该表中的值之一。描述假设预测器数据在行中有观察值,在列中有预测值。据/p>
价值据/th> | 描述据/th> |
---|---|
正整数矢量据/td> | 向量中的每个条目都是对应于包含分类变量的预测器数据列的索引值。索引值在1到之间据code class="literal">P.据/code>,在那里据code class="literal">P.据/code>为用于训练模型的预测器数量。据/p> 如果据code class="function">Fitcnet.据/code>使用输入变量的子集作为预测器,然后函数仅使用该子集对预测器进行索引。的据code class="argument">'pationoricalpricictors'据/code>值不计算响应变量、观察权重变量和函数未使用的任何其他变量。据/p> |
逻辑向量据/td> | 一种据code class="literal">真正的据/code>条目意味着预测器数据的相应列是分类变量。矢量的长度是据code class="literal">P.据/code>.据/p> |
字符矩阵据/td> | 矩阵的每一行是预测器变量的名称。名称必须与里面的条目相匹配据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-PredictorNames" class="intrnllnk">预测据/code>.使用额外的空白填充名称,因此字符矩阵的每行具有相同的长度。据/td>
|
字符串阵列或字符向量的单元数组据/td> | 数组中的每个元素都是一个预测变量的名称。名称必须与里面的条目相匹配据code class="argument">预测据/code>.据/td> |
“所有”据/code> |
所有的预测都是绝对的。据/td> |
默认情况下,如果预测器数据在表中(据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 对于已识别的分类预测因子,据code class="function">Fitcnet.据/code>根据分类变量是无序的还是有序的,使用两种不同的方案创建虚拟变量。对于无序分类变量,据code class="function">Fitcnet.据/code>为分类变量的每一级创建一个虚拟变量。对于有序分类变量,据code class="function">Fitcnet.据/code>创建比类别数量更少的虚拟变量。有关详细信息,请参阅据一种href="//www.tianjin-qmedu.com/help/stats/dummy-indicator-variables.html" class="a">自动创建虚拟变量据/a>.据/p>
例子:据/strong> 数据类型:据/strong>TBL.据/code>),据code class="function">Fitcnet.据/code>假设变量是分类的,如果它是逻辑向量,分类向量,字符数组,字符串数组或字符向量的小区数组。如果预测器数据是矩阵(据一种href="#mw_ca76f978-2fd8-4651-b3df-a50d84e86882" class="intrnllnk">
X据/code>),据code class="function">Fitcnet.据/code>假设所有预测器都是连续的。要将任何其他预测器标识为分类预测器,请使用据code class="literal">'pationoricalpricictors'据/code>名称值参数。据/p>
'patericalpricictors','全部'据/code>
单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">逻辑据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">细绳据/code>|据code itemprop="datatype">细胞据/code>
'classnames'据/code>-据span itemprop="purpose">用于培训的课程名称据/span>
分类数组据/span>|据span itemprop="inputvalue">字符阵列据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">逻辑矢量据/span>|据span itemprop="inputvalue">数字矢量据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
用于训练的类名,指定为分类数组、字符数组或字符串数组;逻辑或数字向量;或者字符向量的单元格数组。据code class="literal">Classnames.据/code>必须具有与响应变量相同的数据类型据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 如果据code class="literal">Classnames.据/code>是一个字符数组,那么每个元素都必须对应于数组的一行。据/p>
使用据code class="literal">Classnames.据/code>到:据/p>
在培训期间指定课程的顺序。据/p> 指定与类顺序对应的任何输入或输出参数尺寸的顺序。例如,使用据code class="literal">Classnames.据/code>指定尺寸的顺序据code class="argument">成本据/code>或返回的分类分数的列顺序据code class="literal">预测据/code>.据/p> 选择培训类的子集。例如,假设所有不同类别名称的集合据code class="argument">y据/code>是据code class="literal">{' a ', ' b ', ' c '}据/code>.使用来自类的观察来训练模型据code class="literal">'一种'据/code>和据code class="literal">'C'据/code>只是,指定据code class="literal">'classnames',{'a','c'}据/code>.据/p> 默认值据code class="literal">Classnames.据/code>是响应变量中的所有不同类名的集合据code class="argument">TBL.据/code>要么据code class="argument">y据/code>.据/p>
例子:据/strong> 数据类型:据/strong>TBL.据/code>要么据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">
y据/code>.据/p>
'classnames',{'b','g'}据/code>
分类据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">细绳据/code>|据code itemprop="datatype">逻辑据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">细胞据/code>
“PredictorNames”据/code>-据span itemprop="purpose">预测变量的名字据/span>
字符串唯一名称数组据/span>|据span itemprop="inputvalue">唯一字符向量的单元格数组据/span>
预测器变量名称,指定为唯一字符向量的唯一名称或单元格数组的字符串数组。功能的功能据code class="literal">“PredictorNames”据/code>取决于您提供培训数据的方式。据/p>
如果你提供据一种href="#mw_ca76f978-2fd8-4651-b3df-a50d84e86882" class="intrnllnk"> 名称的顺序据code class="literal">预测据/code>必须与预测器的顺序一致吗据code class="literal">X据/code>.假设据code class="literal">X据/code>具有默认方向,在列中的行和预测器中的观测,据code class="literal">predictornames {1}据/code>是名称据code class="literal">X (: 1)据/code>那据code class="literal">predictornames {2}据/code>是名称据code class="literal">X (:, 2)据/code>,等等。同时,据code class="literal">尺寸(x,2)据/code>和据code class="literal">元素个数(PredictorNames)据/code>必须是平等的。据/p> 默认情况下,据code class="literal">预测据/code>是据code class="literal">{'x1','x2',...}据/code>.据/p>X据/code>和据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">
y据/code>,然后你可以使用据code class="literal">“PredictorNames”据/code>将名称分配给Predictor变量据code class="literal">X据/code>.据/p>
如果你提供据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 默认情况下,据code class="literal">预测据/code>包含所有预测变量的名称。据/p> 一个良好的做法是指定使用的预测器使用据code class="literal">“PredictorNames”据/code>要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-formula" class="intrnllnk">TBL.据/code>,然后你可以使用据code class="literal">“PredictorNames”据/code>选择用于培训的预测变量。那是,据code class="function">Fitcnet.据/code>仅使用预测器变量据code class="literal">预测据/code>以及训练过程中的反应变量。据/p>
预测据/code>一定是?的子集据code class="literal">Tbl.Properties.VariableNames据/code>并且不能包含响应变量的名称。据/p>
公式据/code>,但不是两者。据/p>
例子:据/strong>'predictornames',{sepallength','sepalwidth','petallength','petalwidth'}据/code>
数据类型:据/strong>细绳据/code>|据code itemprop="datatype">细胞据/code>
'responsebame'据/code>-据span itemprop="purpose">响应变量名称据/span>
“Y”据/code>
(默认)|据span itemprop="inputvalue">字符向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
响应变量名,指定为字符向量或字符串标量。据/p>
如果你提供据一种href="#mw_6a54aa2c-9fc0-43be-9243-a449e23b6a62" class="intrnllnk">y据/code>,然后你可以使用据code class="literal">'responsebame'据/code>指定响应变量的名称。据/p>
如果你提供据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-ResponseVarName" class="intrnllnk">responsevarname.据/code>要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-formula" class="intrnllnk">
公式据/code>,然后你不能使用据code class="literal">'responsebame'据/code>.据/p>
例子:据/strong>“ResponseName”、“响应”据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">细绳据/code>
“ScoreTransform”据/code>-据span itemprop="purpose">分数转换据/span>
“没有”据/code>
(默认)|据span itemprop="inputvalue">'doublelogit'据/code>
|据span itemprop="inputvalue">“invlogit”据/code>
|据span itemprop="inputvalue">'ismax'据/code>|据span itemprop="inputvalue">分对数的据/code>|据span itemprop="inputvalue">函数处理据/span>|......据/span>
分数转换,指定为字符向量,字符串标量或功能句柄。据/p>
此表总结了可用的字符向量和字符串标量。据/p>
价值据/th> | 描述据/th> |
---|---|
'doublelogit'据/code> |
1 /(1 +据E.mclass="varname">E.据/em>-2据E.mclass="varname">X据/em>)据/td> |
“invlogit”据/code> |
日志(据E.mclass="varname">X据/em>/(1 -据E.mclass="varname">X据/em>))据/td> |
'ismax'据/code> |
将具有最大分数的类设置为1的分数,并将所有其他类的分数设置为0据/td> |
分对数的据/code> |
1 /(1 +据E.mclass="varname">E.据/em>-据E.mclass="varname">X据/em>)据/td> |
“没有”据/code>要么据code class="literal">'身份'据/code> |
X据/em>(没有转型)据/td> |
“标志”据/code> |
-1 for.据E.mclass="varname">X据/em>< 0据br>0据E.mclass="varname">X据/em>= 0.据br>1据E.mclass="varname">X据/em>> 0据/td> |
“对称”据/code> |
2据E.mclass="varname">X据/em>- 1据/td> |
“symmetricismax”据/code> |
将具有最大分数为1的类设置分数,并将所有其他类的分数设置为-1据/td> |
'symmetriclogit'据/code> |
2 / (1 +据E.mclass="varname">E.据/em>-据E.mclass="varname">X据/em>) - 1据/td> |
对于MATLAB函数或您定义的函数,使用其函数句柄进行分数变换。函数句柄必须接受一个矩阵(原始分数)并返回相同大小的矩阵(转换后的分数)。据/p>
例子:据/strong>“ScoreTransform”、“分对数的据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">细绳据/code>|据code itemprop="datatype">function_handle.据/code>
“重量”据/code>-据span itemprop="purpose">观察权重据/span>
非负数字矢量据/span>|据span itemprop="inputvalue">变量名据code class="literal">TBL.据/code>
观察权重,指定为非负数字矢量或变量的名称据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Tbl" class="intrnllnk"> 如果将输入数据指定为表据code class="argument">TBL.据/code>,然后据code class="argument">重量据/code>可以是变量的名称据code class="argument">TBL.据/code>它包含一个数字向量。在这种情况下,您必须指定据code class="argument">重量据/code>作为字符向量或字符串标量。例如,如果权重向量据code class="literal">W.据/code>存储为据code class="literal">TBL.W.据/code>,然后将其指定为据code class="literal">' W '据/code>.否则,该软件将处理所有列据code class="argument">TBL.据/code>,包括据code class="literal">W.据/code>在培训模型时,作为预测器或响应变量。据/p>
默认情况下,据code class="argument">重量据/code>是据code class="literal">那些(n,1)据/code>,在那里据code class="literal">N.据/code>观察的次数在吗据code class="argument">X据/code>要么据code class="argument">TBL.据/code>.据/p>
软件规范化据code class="argument">重量据/code>总和在相应类中的现有概率的值。据/p>
数据类型:据/strong>TBL.据/code>.每个观察的软件重量据一种href="#mw_ca76f978-2fd8-4651-b3df-a50d84e86882" class="intrnllnk">
X据/code>要么据code class="argument">TBL.据/code>具有相应的价值据code class="argument">重量据/code>.的长度据code class="argument">重量据/code>必须等于观察人数据code class="argument">X据/code>要么据code class="argument">TBL.据/code>.据/p>
单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">细绳据/code>
“CrossVal”据/code>-据span itemprop="purpose">旗帜培训交叉验证的分类器据/span>
'离开'据/code>
(默认)|据span itemprop="inputvalue">“上”据/code>
标志培训交叉验证的分类器,指定为据code class="literal">“上”据/code>要么据code class="literal">'离开'据/code>.据/p>
如果您指定据code class="literal">“上”据/code>然后,软件培训具有10倍的交叉验证的分类器。据/p>
您可以使用该交叉验证设置覆盖此交叉验证设置据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-CVPartition" class="intrnllnk"> 或者,稍后通过传递进行交叉验证据一种href="#mw_cda25628-1fbe-4047-a56a-83e092fefbf8" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>CVPartition.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Leaveout" class="intrnllnk">
Leaveout据/code>名称值参数。您可以一次仅使用一个交叉验证名称值参数来创建交叉验证的模型。据/p>
Mdl据/code>到据code class="function">横梁据/code>.据/p>
'横向','开'据/code>
字符据/code>|据code itemprop="datatype">细绳据/code>
'cvpartition'据/code>-据span itemprop="purpose">交叉验证分区据/span>
[]据/code>
(默认)|据span itemprop="inputvalue">cvpartition据/code>分区对象据/span>
交叉验证分区,指定为a据code class="literal">cvpartition据/code>分区对象由据一种href="//www.tianjin-qmedu.com/help/stats/cvpartition.html"> 要创建一个交叉验证的模型,您只能指定以下四个名称-值参数中的一个:据code class="argument">CVPartition.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Holdout" class="intrnllnk"> 例子:据/strong>假设您使用以下方法创建了一个随机分区,用于对500个观测数据进行5倍交叉验证据code class="literal">本量利= cvpartition(500年,“KFold”,5)据/code>.然后,您可以通过使用指定交叉验证的模型据code class="literal">'cvpartition',cvp据/code>.据/p>
cvpartition据/code>.分区对象指定跨验证的类型和培训和验证集的索引。据/p>
坚持据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Leaveout" class="intrnllnk">
Leaveout据/code>.据/p>
'坚持'据/code>-据span itemprop="purpose">用于抵抗验证的数据部分据/span>
(0,1)范围内的标量值据/span>
用于阻止验证的数据的分数,指定为范围(0,1)的标量值。如果您指定据code class="literal">'持有',p据/code>,则软件完成以下步骤:据/p>
随机选择和保留据code class="literal">p * 100据/code>数据的百分比作为验证数据,并使用其余数据训练模型。据/p>
存储紧凑型培训的模型据code class="literal">训练有素据/code>交叉验证模型的财产。据/p>
要创建一个交叉验证的模型,您只能指定以下四个名称-值参数中的一个:据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>CVPartition.据/code>那据code class="argument">坚持据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Leaveout" class="intrnllnk">
Leaveout据/code>.据/p>
'持有',0.1据/code>
双据/code>|据code itemprop="datatype">单身的据/code>
'kfold'据/code>-据span itemprop="purpose">折叠数量据/span>
10.据/code>
(默认)|据span itemprop="inputvalue">正整数值大于1据/span>
在交叉验证模型中使用的折叠数,指定为大于1.如果指定的正整数值。据code class="literal">'kfold',k据/code>,则软件完成以下步骤:据/p>
随机分区数据据code class="literal">K.据/code>套。据/p>
对于每个集合,保留该集合作为验证数据,并使用另一个来训练模型据span class="inlineequation">K.据/code>- 1据/span>套。据/p>
存储据code class="literal">K.据/code>紧凑,训练模型在据code class="literal">K.据/code>- 1个细胞矢量据code class="literal">训练有素据/code>交叉验证模型的财产。据/p>
要创建一个交叉验证的模型,您只能指定以下四个名称-值参数中的一个:据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>CVPartition.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据code class="argument">kfold.据/code>, 要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Leaveout" class="intrnllnk">
Leaveout据/code>.据/p>
'kfold',5据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
“Leaveout”据/code>-据span itemprop="purpose">留下一张交叉验证标志据/span>
'离开'据/code>
(默认)|据span itemprop="inputvalue">“上”据/code>
留下一张交叉验证标志,指定为据code class="literal">“上”据/code>要么据code class="literal">'离开'据/code>.如果您指定据code class="literal">'留下','开'据/code>然后是每个人据E.mclass="varname">N.据/em>观察(在哪里据E.mclass="varname">N.据/em>是观察的数量,不包括缺失的观察,指定据code class="literal">numobservations.据/code>该模型的属性),软件完成以下步骤:据/p>
保留作为验证数据的一个观察,并使用另一个培训模型据E.mclass="varname">N.据/em>- 1观察。据/p>
存储据E.mclass="varname">N.据/em>紧凑,训练有素的型号据E.mclass="varname">N.据/em>- 1个细胞矢量据code class="literal">训练有素据/code>交叉验证模型的财产。据/p>
要创建一个交叉验证的模型,您只能指定以下四个名称-值参数中的一个:据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong>CVPartition.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 要么据code class="argument">Leaveout据/code>.据/p>
'留下','开'据/code>
Mdl据/code>- 培训的神经网络分类器据br>ClassificationNeuralNetwork据/code>对象|据code class="object">ClassificationededModel.据/code>目的据/span>
训练的神经网络分类器,返回为据一种href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.html"> 如果您设置了任何名称-值参数据一种href="#mw_d72ef489-28a4-4045-a64f-5118920fd120" class="intrnllnk"> 参考属性据code class="argument">Mdl据/code>,使用点符号。据/p>
ClassificationNeuralNetwork据/code>要么据一种href="//www.tianjin-qmedu.com/help/stats/classreg.learning.partition.classificationpartitionedmodel-class.html">
ClassificationededModel.据/code>目的。据/p>
横梁据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-CVPartition" class="intrnllnk">
CVPartition.据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 要么据一种href="#mw_ce36711f-2377-4469-b584-1723cd2b190f_sep_shared-Leaveout" class="intrnllnk">
Leaveout据/code>,然后据code class="argument">Mdl据/code>是A.据code class="object">ClassificationededModel.据/code>目的。否则,据code class="argument">Mdl据/code>是A.据code class="object">ClassificationNeuralNetwork据/code>模型。据/p>
默认的神经网络分类器具有以下层结构。据/p>
结构据/th> | 描述据/th> |
---|---|
|
输入-这一层对应于预测器数据据code class="argument">TBL.据/code>要么据code class="argument">X据/code>.据/td> |
第一个完全连接的图层 - 此图层默认具有10个输出。据/p>
|
|
Relu激活功能 -据code class="function">Fitcnet.据/code>将此激活函数应用于第一个完全连接的图层。据/p>
|
|
最终完全连接层-这一层有据E.mclass="varname">K.据/em>输出,据E.mclass="varname">K.据/em>是响应变量中的类数。据/p>
|
|
SoftMax功能(对于二进制和多字数分类) -据code class="function">Fitcnet.据/code>将这个激活函数应用到最终完全连接的层。该函数接受每个输入据E.mclass="varname">X据sub>一世据/sub>并返回以下内容,在哪里据E.mclass="varname">K.据/em>是响应变量中的类数:据/p>
结果与预测的分类分数(或后验概率)相对应。据/p> |
|
输出 - 此图层对应于预测的类标签。据/td> |
有关显示具有此图层结构的神经网络分类器如何返回预测的示例,请参阅据一种href="//www.tianjin-qmedu.com/help/stats/classificationneuralnetwork.predict.html" class="a">利用神经网络分类器的层结构进行预测据/a>.据/p>
总是尝试标准化数值预测器(参见据一种href="#mw_b548d6b1-eac6-410e-ab43-cea953a08c9e" class="intrnllnk">标准化据/code>).标准化使得预测者对测量他们的尺度不敏感。据/p>
Fitcnet.据/code>使用有限的内存泡沫粉末 - 甘菲尔布 - 桑农准牛顿算法(LBFG)据一种href="//www.tianjin-qmedu.com/help/stats/fitcnet.html" class="intrnllnk">[3]据/a>作为其损耗函数最小化技术,其中软件最小化了跨熵损失。据/p>
[1] Glorot,Xavier和Yoshua Bengio。“了解训练深馈神经网络的难度。”在据E.mclass="citetitle">第十三国际人工智能和统计国际会议的诉讼程序据/em>, 249 - 256页。2010.据/p>
何开明,张翔宇,任少青,孙健《深入整流器:在图像网分类上超越人类水平的表现》在据E.mclass="citetitle">IEEE计算机愿景国际会议的诉讼程序据/em>, 1026 - 1034页。2015.据/p>
[3] Nocedal,J.和S. Wright。据E.mclass="citetitle">数值优化据/em>,第二次,纽约:春天,2006年。据/p>
ClassificationNeuralNetwork据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">ClassificationededModel.据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">CompactClassificationNeuralNetwork据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">边缘据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">损失据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">利润据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测据/code>
你点击一个链接对应于这个MATLAB命令:据/p>
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx据/p>
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:据strong class="recommended-country">.据/p> 选择据span class="recommended-country">网站据/a>
您还可以从以下列表中选择一个网站:据/p>
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。据/p>