Средняя квадратная нормированная ошибка эффективности функция
Совет
Чтобы использовать среднюю квадратичную невязку при глубоком обучении, используйте regressionLayer, или использовать dlarray метод mse.
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.
