divideind

Разделите цели на три набора с помощью заданных индексов

свернуть все на странице

Синтаксис

[trainInd,valInd,testInd] = divideind(Q,trainInd,valInd,testInd)

Описание

пример

[trainInd,valInd,testInd] = divideind(Q,trainInd,valInd,testInd) разделяет цели на три набора: обучение, валидация и тестирование, согласно обеспеченным индексам. Это на самом деле возвращает те же индексы, которые это получает в качестве аргументов; его цель состоит в том, чтобы позволить индексам использоваться для обучения, валидации, и тестирующий на сеть, которая будет установлена вручную.

Индексы возвращены после удаления любых индексов, больше, чем Q. Обратите внимание на то, что некоторые индексы в области значений 1:Q не могут быть присвоены ни одному из трех наборов, и те же индексы не должны использоваться больше чем в одном наборе.

Примеры

свернуть все

В этом примере показано, как разделить выборки на три набора с помощью заданных индексов для сети.

Разделите 20 выборок на обучение, валидацию и протестируйте индексы, так, чтобы только 16 на самом деле использовались.

[trainInd,valInd,testInd] = divideind(20,1:8,9:12,14:16)

Этот код показывает вам, как гарантировать, что сеть выполняет тот же вид деления данных, когда это обучено:

net.divideFcn = 'divideind';
net.divideParam.trainInd = 1:8;
net.divideParam.valInd = 9:12;
net.divideParam.testInd= 14:16;

Входные параметры

свернуть все

Количество целей, чтобы разделиться в виде скаляра.

Учебные индексы в виде 1- Q вектор.

Индексы валидации в виде 1- Q вектор.

Тестирование индексов в виде 1- Q вектор.

Выходные аргументы

свернуть все

Учебные индексы, возвращенные как вектор.

Индексы валидации, возвращенные как вектор.

Тестирование индексов, возвращенных как вектор.

Больше о

свернуть все

Сетевое использование

Это сетевые свойства, которые задают, какое деление данных функционируют, чтобы использовать, что его параметры, и какие аспекты целей разделены, когда train называется.

net.divideFcn
net.divideParam
net.divideMode

Смотрите также

| | |

Введенный в R2008a

Документация Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте