Эффективность нейронной сети
вычисляет производительность сети, данную цели и выходные параметры, с дополнительными весами эффективности и другими параметрами. Функция возвращает результат, который в большой степени штрафует выходные параметры, которые чрезвычайно неточны (perf
= crossentropy(net
,targets
,outputs
,perfWeights
)y
около 1-t
), с очень небольшим количеством штрафа за довольно правильные классификации (y
около t
). Минимизация перекрестной энтропии приводит к хорошим классификаторам.
Перекрестная энтропия для каждой пары целевых выходом элементов вычисляется как: ce = -t .* log(y)
.
Совокупная перекрестная энтропийная эффективность является средним значением отдельных значений: perf = sum(ce(:))/numel(ce)
.
Особый случай (N = 1): Если выход состоит только из одного элемента, то выходные параметры и цели интерпретированы как бинарное кодирование. Таким образом, существует два класса с целями 0 и 1, тогда как в 1 из кодирования N, существует два или больше класса. Бинарное перекрестное энтропийное выражение: ce = -t .* log(y) - (1-t) .* log(1-y)
.
индивидуальная настройка поддержек согласно заданным аргументам пары "имя-значение".perf
= crossentropy(___,Name,Value
)