Расчет производительности сети
perform(net,t,y,ew)
perform(net,t,y,ew) принимает эти аргументы,
net | Нейросеть |
t | Целевые данные |
y | Выходные данные |
ew | Веса ошибок (по умолчанию = |
и возвращает производительность сети, рассчитанную в соответствии с net.performFcn и net.performParam значения свойств.
Целевые и выходные данные должны иметь одинаковые измерения. Веса ошибок могут быть теми же самыми размерами, что и целевые, в наиболее общем случае, но могут также иметь любой из своих размеров, равный 1. Это обеспечивает гибкость определения весов ошибок в любом требуемом измерении.
Веса ошибок могут быть определены по образцу, элементу вывода, временному шагу или сетевому выходу:
ew = [1.0 0.5 0.7 0.2]; % Across 4 samples
ew = [0.1; 0.5; 1.0]; % Across 3 elements
ew = {0.1 0.2 0.3 0.5 1.0}; % Across 5 timesteps
ew = {1.0; 0.5}; % Across 2 outputs
Веса ошибок также могут быть определены для любой комбинации, например, для двух временных рядов (то есть двух выборок) в течение четырех временных шагов.
ew = {[0.5 0.4],[0.3 0.5],[1.0 1.0],[0.7 0.5]};
В общем случае веса ошибок могут иметь точно такие же размеры, как и целевые значения, и в этом случае каждое целевое значение будет иметь связанный вес ошибок.
По умолчанию все ошибки обрабатываются одинаково.
ew = {1}
Здесь простая проблема подгонки решается с помощью прямой сети и рассчитанной ее производительности.
[x,t] = simplefit_dataset; net = feedforwardnet(20); net = train(net,x,t); y = net(x); perf = perform(net,t,y)
perf = 2.3654e-06