内MATLAB^®命令窗口加载卡比格数据集并创建包含不同变量的表

负载卡比格cartable = table(Acceleration,Cylinders,Displacement,.Horsepower,Model_Year,Weight,Origin,MPG);

点击应用标签并点击多显示右向箭头打开apps画廊内机器学习深入学习组点击回归学习者.

On学习标签内文件类段点击新建会话并选择从工作空间.

从工作空间对话框新会话中选择表卡通从数据集变量链表

对话框显示,ab选择MPG等响应变量预测例例中不修改选择

接受默认验证计划并继续执行启动会话.默认验证选项为5倍交叉验证,以防超配

回归学习者创建响应图 记录号X级轴心

使用响应图调查变量对预测响应有用可视化不同预测器和响应关系,选择不同变量X级链表下X轴右侧绘图观察哪些变量最清晰地与响应相关

创建神经网络模型选择On学习标签内模型类段内点击箭头打开画廊内神经网络组点击全神经网络.

内火车段点击列车全并选择列车全.

回归学习者训练艺廊内神经网络选项之一,并预设精树模型内模型类slane程序概述RMSE(验证)最佳模型(root平均平方误差)

选择模型模型类泛泛视图结果On学习标签内绘图和结果段内点击箭头打开画廊响应中验证结果分组.检查响应图 训练模型真实响应蓝化预测响应黄化

下方X轴中选择马力并检查响应图真实和预测响应都编程显示预测误差,画成预测和真实响应之间的垂直线程,选择出错复选框下绘图右侧绘图

欲了解更多当前选择模型信息,请查询摘要选项卡 。校验并比较额外模型特征,如R方形(系数测定)、MAE(平均绝对误差)和预测速度学习更多见视图模型标签和模型板.内摘要标签中,您也可以找到当前选择模型类型的细节,例如培训模型时使用选项

绘制预测响应与真响应On学习标签内绘图和结果段内点击箭头打开画廊预测对实战(验证)中验证结果分组.使用此图判定回归模型预测不同响应值的精度

完全回归模型预测响应等于真实响应, 所有点都分布在对角线上垂直距离线到任何点是预测点误差好模型有小错误,所以预测分布在线附近典型地说,好的模型点分布近对角线能看到图中清晰模式,最有可能改进模型

余下模式选入模型模型类泛泛打开预测与实际绘图,然后比较跨模型结果更多信息见变换布局比较模型绘图.

尝试改善模型,包含不同特征内模型类画廊选择全神经网络再一次看能不能通过去除低预测功率特征改善模型内摘要标签点击特征选择扩展段

内特征选择段清除复选框加速化并循环器排除预测器可使用响应图显示这些变量与响应变量不高度相关

内火车段点击列车全并选择列车全或火车选择训练神经网络模型使用新集特征

观察新模型模型类板板模型和以前一样神经网络模型,但培训使用七大预测器中的五大每种模型应用显示使用多预测器要检查使用预测器,请点击模型模型类泛泛查询特征选择段摘要选项卡 。

带两个去除特征的模型性能与所有预测器的模型相似模型预测所有预测器比只使用子集要好得多如果资料收集费用昂贵或困难,你可能偏爱不使用预测器而实现令人满意的模型

选择模型模型类屏蔽最小验证RMSE(最佳模型)并查看剩余区块On学习标签内绘图和结果段内点击箭头打开画廊残留物(验证)中验证结果分组.剩余图显示预测响应与真实响应之差显示剩余线图选择线程下方样式化.

下方X轴中选择变量绘制X级轴心选择真实响应、预测响应、记录数或预测器

典型地说,好的模型残留物分布约对称0如果能看到残留物中任何清晰模式,你极有可能提高模型质量。

可尝试进一步改进最佳模型模型类通过修改超参数打板先重复模型右击模型并选择复制.

接二连三摘要复用模型标签,尝试修改某些超参数设置,如完全连通层或规范强度大小点击训练新模型列车全并选择火车选择.

深入了解神经网络模型设置神经网络.

可导出全版或压缩版所选模型到工作空间On学习标签点击导出中键导出模型并选择导出模型.排除培训数据导出紧凑模型,清除导出回归模型对话框中的复选框仍可用紧凑模型预测新数据对话框中点击好接受默认变量名

要检验代码培训模型,请点击生成函数中导出段内

On学习标签内模型类段内点击箭头打开回归模型画廊

内获取启动组点击全部.

内火车段点击列车全并选择列车全.