RegressionNeuralNetwork
回归的神经网络模型
描述
一个RegressionNeuralNetwork对象是用于回归的训练、前馈和全连接的神经网络。神经网络的第一个完全连接层与网络输入(预测数据)有一个连接X)，并且每个后续层都有上一层的连接。每个完全连接的层将输入乘以权重矩阵(LayerWeights)然后添加一个偏移向量(LayerBiases）.激活函数如下各完全连接层，但不包括最后一个（激活和输出功率）.最终完全连接层产生网络的输出，即预计响应值。有关更多信息，请参阅神经网络结构．
创建
创建一个RegressionNeuralNetwork通过使用fitrnet．
属性
对象的功能
例子
训练神经网络回归模型
训练神经网络回归模型，并在测试集上评估模型的性能。
加载carbig数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。创建一个包含预测变量的表加速，位移，等等，以及响应变量英里/加仑．
负载carbig汽车=表(加速度、位移、马力、......车型（年份、产地、重量、MPG）；
将数据划分为训练和测试集。使用意见的大约80％到训练神经网络模型，观测的20％，以测试新的数据训练的模型的性能。用cvpartition对数据进行分区。
rng(“默认”）％对于数据分区的再现性c = cvpartition(长度(MPG),“坚持”, 0.20);trainingIdx =培训(c);%训练集指标carsTrain =汽车（trainingIdx，:);testIdx =试验（c）中;%测试集指标喀斯特岩溶=汽车(testIdx:);
通过传递函数训练神经网络回归模型carsTrain培训数据发给fitrnet函数。为了更好的结果，指定标准化预测器数据。
MDL = fitrnet（carsTrain，“英里”，“标准化”，真的）
Mdl = RegressionNeuralNetwork PredictorNames:{“加速度”“位移”“马力”“Model_Year”“起源”“重量”}ResponseName:“英里”CategoricalPredictors: 5 ResponseTransform:“没有一个”NumObservations: 314 LayerSizes: 10激活:“relu”OutputLayerActivation:“线性”解算器:“LBFGS”ConvergenceInfo:[1×1 struct] TrainingHistory:[1000×7 table]属性，方法
MDL是一个训练有素的RegressionNeuralNetwork模型。的属性可以使用点表示法MDL．例如，可以指定Mdl。TrainingHistory以获取有关神经网络模型的培训历史的更多信息。
通过计算测试均方误差(MSE)来评估回归模型在测试集上的性能。MSE值越小，性能越好。
testMSE =损失(Mdl、喀斯特岩溶“英里”）
testMSE = 16.6154
指定神经网络回归模型体系结构
指定的神经网络回归模型的结构，其中包括完全连接层的大小。
加载carbig数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。创建一个矩阵X包含预测变量加速，气缸， 等等。存储响应变量英里/加仑在变量Y．
负载carbigX = [加速缸位移重量];Y = MPG;
将数据划分为训练数据(XTrain和YTrain)及测试数据(XTEST和YTest）.保留大约20%的观测值用于测试，其余的观测值用于培训。
rng(“默认”）分区的再现性c = cvpartition(长度(Y),“坚持”, 0.20);trainingIdx =培训(c);%训练集指标XTrain = X (trainingIdx:);YTrain = Y (trainingIdx);testIdx =试验（c）中;%测试集索引XTEST = X（testIdx，:);YTest = Y（testIdx）;
训练神经网络回归模型。指定标准化预测器数据，并在第一完全连接层有30个输出，在第二完全连接层有10个输出。默认情况下，这两个层都使用一个整流线性单元(ReLU)激活功能。控件可以更改完全连接层的激活函数激活名称-值参数。
MDL = fitrnet（XTrain，YTrain，“标准化”，真的，......“LayerSizes”30 [10])
Mdl=RegressionNeuralNetwork ResponseName:'Y'分类预测值：[]ResponseTransform:'none'NumObservations:318 LayerSizes:[30 10]激活：'relu'OutputLayerAction:'linear'解算器：'LBFGS'收敛信息：[1×1结构]训练历史：[1000×7表格]属性、方法
通过使用接入用于训练的模型的完全连接层中的重量和偏见LayerWeights和LayerBiases特性MDL．每个属性的前两个元素对应于前两个完全连接层的值，第三个元素对应于最终完全连接层的值进行回归。例如，显示第一个完全连接层的权重和偏差。
Mdl。LayerWeights {1}
ans =30×4-1.0617 0.1287 0.0797 0.4648 -0.6497 -1.4565 -2.6026 2.6962 -0.6420 0.2744 -0.0234 -0.0252 -1.9727 -0.4665 -0.5833 0.9371 -0.4373 0.1607 0.3930 0.7859 0.5091 -0.0032 -0.6503 -1.6694 0.0123 -0.2624 -2.2928 -1.0965 - 0.2747 0.4085 0.5395 -0.1755 1.5641 -3.1896 -1.1336 0.4401 0.4942 1.8957 -1.1617⋮
Mdl.LayerBiases {1}
ans =30×1-1.3086 -1.6205 -0.7815 1.5382 -0.5256 1.2394 -2.3078 -1.0709 -1.8898 1.9443⋮
最后一个完全连接的层有一个输出。层输出的数量对应于层权重和层偏差的第一个维度。
大小(Mdl.LayerWeights{结束})
ans =1×21 10
大小（Mdl.layerbies{end}）
ans =1×2１ １
为了估计训练模型的性能，计算测试集的均方误差(MSE)MDL．MSE值越小，性能越好。
testMSE =损失(Mdl XTest、欧美)
testMSE = 17.2022
将预测的测试集响应值与真实响应值进行比较。在纵轴上画出预测的每加仑英里数(MPG)，在横轴上画出真实的每加仑英里数。基准线上的点表示正确的预测。一个好的模型会产生分散在线附近的预测。
XTest testPredictions =预测(Mdl);情节(欧美、testPredictions“。”） 抓住在情节(欧美,欧美)离开xlabel(“真正的MPG”）ylabel（“预计MPG”）
您还可以从以下列表中选择一个网站：
