Загрузите данные тренировки.

[x,t] = simplefit_dataset;

1 94 матричный x содержит входные значения, и 1 94 матричный t содержит связанные целевые выходные значения.

Создайте функцию, соответствующую нейронной сети одним скрытым слоем размера 10.

net = fitnet(10);

Просмотрите сеть.

view(net)

Размеры ввода и вывода являются нулем. Программное обеспечение настраивает размеры их во время обучения согласно данным тренировки.

Обучите сеть net с помощью данных тренировки.

net = train(net,x,t);

Просмотрите обучивший сеть.

view(net)

Вы видите, что размеры ввода и вывода равняются 1.

Оцените цели с помощью обучившего сеть.

y = net(x);

Оцените производительность обучившего сеть. Функция производительности по умолчанию является среднеквадратической ошибкой.

perf = perform(net,y,t)

perf =

   1.4639e-04

Учебный алгоритм по умолчанию для функции подходящая сеть является Levenberg-Marquardt ('trainlm'). Используйте Байесов алгоритм обучения регуляризации и сравните результаты производительности.

net = fitnet(10,'trainbr');
net = train(net,x,t);
y = net(x);
perf = perform(net,y,t)

perf =

   3.3310e-10

Байесов алгоритм обучения регуляризации улучшает производительность сети с точки зрения оценки целевых значений.