Суммируйте функцию эффективности квадратичной невязки
perf = sse(net,t,y,ew)
[...] = sse(...,'regularization',regularization)
[...] = sse(...,'normalization',normalization)
[...] = sse(...,FP)
sse функция производительности сети. Это измеряет уровень согласно сумме квадратичных невязок.
perf = sse(net,t,y,ew) берет эти входные параметры и дополнительные параметры функции,
net | Нейронная сеть |
t | Матричный или массив ячеек целевых векторов |
y | Матричный или массив ячеек выходных векторов |
ew | Веса ошибок (значение по умолчанию = |
и возвращает квадратичную невязку суммы.
Эта функция имеет два дополнительных параметра функции, которые могут быть заданы с названием параметра / парные аргументы, или как структура FP аргумент с полями, имеющими название параметра и присвоенный значения параметров.
[...] = sse(...,'regularization',regularization)
[...] = sse(...,'normalization',normalization)
[...] = sse(...,FP)
regularization — может быть установлен в любое значение между значением по умолчанию 0 и 1. Чем больше значение регуляризации, тем веса более в квадрате и смещения учтены в вычислении эффективности.
normalization
'none' — не выполняет нормализации, значения по умолчанию.
'standard' — нормирует выходные параметры и предназначается к [-1, +1], и поэтому нормирует ошибки к [-2, +2].
'percent' — нормирует выходные параметры и предназначается к [-0.5, +0.5], и поэтому нормирует ошибки к [-1, +1].
Здесь сеть обучена, чтобы соответствовать простому набору данных и его вычисленной эффективности
[x,t] = simplefit_dataset; net = fitnet(10); net.performFcn = 'sse'; net = train(net,x,t) y = net(x) e = t-y perf = sse(net,t,y)
Подготовить пользовательскую сеть, которая будет обучена с sse, установите net.performFcn к 'sse'. Это автоматически устанавливает net.performParam к параметрам функции по умолчанию.
Затем вызов train, adapt или perform приведет к sse будучи используемым вычислять эффективность.
