Средняя квадратная нормированная ошибка эффективности функция
Совет
Чтобы использовать среднюю квадратичную невязку при глубоком обучении, используйте regressionLayer
, или использовать dlarray
метод mse.
принимает нейронную сеть, perf
= mse(net
,t
,y
,ew
)net
, матрица или массив ячеек из целевых объектов, t
, матрица или массив ячеек с выходами, y
, и веса ошибок, ew
, и возвращает среднюю квадратичную невязку.
Эта функция имеет два необязательных параметра, которые связаны с сетями, чьи net.trainFcn
установлено на эту функцию:
'regularization'
может быть установлено любое значение от 0 до 1. Чем больше значение регуляризации, тем больше квадратов весов и смещений включено в вычисление эффективности относительно ошибок. Значение по умолчанию 0, соответствующее отсутствию регуляризации.
'normalization'
может быть задано значение 'none'
(по умолчанию); 'standard'
, которая нормализует ошибки между -2 и 2, соответствующие нормализующим выходам и целям между -1 и 1; и 'percent'
, что нормализует ошибки между -1 и 1. Эта функция полезна для сетей с многоэлементными выходами. Это гарантирует, что относительная точность элементов выхода с различными областями значений целевых значений рассматриваются как одинаково важные, вместо того, чтобы расставлять приоритеты относительной точности элемента выхода с наибольшей области значений целевых значений.
Можно создать стандартную сеть, которая использует mse
с feedforwardnet
или cascadeforwardnet
. Чтобы подготовить пользовательскую сеть для обучения с mse
, задать net.performFcn
на 'mse'
. Это автоматически устанавливает net.performParam
в структуру с необязательными значениями параметров по умолчанию.
mse
- функция эффективности. Он измеряет эффективность сети в соответствии со средним значением квадратичных невязок.