Нейронная сеть подгонки функций
net = fitnet(hiddenSizes)hiddenSizes.
net = fitnet(hiddenSizes,trainFcn)hiddenSizes и функции обучения, указанные trainFcn.
Загрузите данные обучения.
[x,t] = simplefit_dataset;
Матрица 1 на 94 x содержит входные значения и матрицу 1 на 94 t содержит соответствующие целевые выходные значения.
Постройте нейронную сеть, соответствующую функции, с одним скрытым слоем размером 10.
net = fitnet(10);
Просмотр сети.
view(net)
Размеры входа и выхода равны нулю. Программа корректирует их размеры во время обучения в соответствии с данными обучения.
Обучение сети net использование данных обучения.
net = train(net,x,t);
Просмотр обученной сети.
view(net)
Можно видеть, что размеры входных и выходных данных равны 1.
Оценка целевых показателей с использованием обученной сети.
y = net(x);
Оценка эффективности работы обученной сети. Функция производительности по умолчанию представляет собой среднеквадратичную ошибку.
perf = perform(net,y,t)
perf = 1.4639e-04
Алгоритм обучения по умолчанию для сети подгонки функций - Левенберг-Марквардт ( 'trainlm' ). Используйте алгоритм обучения байесовской регуляризации и сравните результаты производительности.
net = fitnet(10,'trainbr');
net = train(net,x,t);
y = net(x);
perf = perform(net,y,t)
perf = 3.3038e-10
Алгоритм обучения байесовской регуляризации улучшает производительность сети с точки зрения оценки целевых значений.
Функциональная подгонка - это процесс обучения нейронной сети на наборе входов для получения связанного набора целевых выходов. После построения сети с требуемыми скрытыми слоями и обучающим алгоритмом необходимо обучить ее с помощью набора обучающих данных. Как только нейронная сеть подходит к данным, она формирует обобщение взаимосвязи «вход-выход». Затем можно использовать обученную сеть для создания выходных данных для входных данных, на которых она не обучалась.