Суммарная абсолютная ошибка эффективности функция
perf = sae(net,t,y,ew)
[...] = sae(...,'regularization',regularization)
[...] = sae(...,'normalization',normalization)
[...] = sae(...,FP)
sae
- функция эффективности. Он измеряет эффективность по сумме квадратичных невязок.
perf = sae(net,t,y,ew)
принимает эти входные параметры и необязательные параметры функции,
net | Нейронная сеть |
t | Матрица или массив ячеек из целевых векторов |
y | Матрица или массив ячеек из выходных векторов |
ew | Веса ошибок (по умолчанию = |
и возвращает суммарную квадратичную невязку.
Эта функция имеет два необязательных функциональных параметра, которые могут быть определены с помощью аргументов имя/пара параметра или как структура FP
аргумент с полями, имеющими имя параметра и присвоенными значениями параметров:
[...] = sae(...,'regularization',regularization)
[...] = sae(...,'normalization',normalization)
[...] = sae(...,FP)
regularization
- может быть установлено любое значение между значениями по умолчанию 0 и 1. Чем больше значение регуляризации, тем больше квадратов веса и смещений учитываются при вычислении эффективности.
normalization
'none'
- не выполняет нормализацию, значение по умолчанию.
'standard'
- нормализует выходы и цели, чтобы [-1, +1]
, и, следовательно, нормализует ошибки, чтобы [-2, +2]
.
'percent'
- нормализует выходы и цели, чтобы [-0.5, +0.5]
, и, следовательно, нормализует ошибки, чтобы [-1, +1]
.
Здесь сеть обучена соответствовать простому набору данных и рассчитана ее эффективность
[x,t] = simplefit_dataset; net = fitnet(10,'trainscg'); net.performFcn = 'sae'; net = train(net,x,t) y = net(x) e = t-y perf = sae(net,t,y)
Чтобы подготовить пользовательскую сеть для обучения с sae
, задать net.performFcn
на 'sae'
. Это автоматически устанавливает net.performParam
к параметрам функции по умолчанию.
Затем звонок train
, adapt
или perform
приведет к sae
используется для вычисления эффективности.