输入Nf工具; 单击next
2 .输入以下特征x和目标值y : 【注意按行/按列】
3 .设置培训集/验证集/测试器的比例。 【通常默认值为0.7:0.15:0.15】
4 .设置隐藏图层的数量:【需要调整的参数之一】
5 .选择优化算法:默认图: 单击train进行培训
6 .生成图像。 图plots
6.1性能
横坐标:训练结束时的epochs数【神经网络1次前向传播1次反向传播=1个epoch】
纵轴:均方误差
从图中可以看出,当epochs=5时,验证集valiadation和测试集test达到最小均方误差。
6.2培训状态
横坐标: epoch
纵坐标:梯度; mu? 卡尔菲尔?
坡度:坡度为0时,为图像的最低点,即最佳位置
mu :
val fail :
【validation check=6假设连续训练6次但训练误差不小,继续训练效果不佳,中止训练。 】
6.3错误直方图
横坐标:误差区间中央值
纵轴:位于该误差区间的样本数
得到。 神经网络输出值与样本原始目标值的误差;
6.4 regression【检查预测值和目标值的线性化程度? 】
横坐标:样本的原始目标值
纵轴:神经网络输出预测值;
原始目标值与预测值的相关度; 用系数r表示,r越接近1,线性化程度越高,结果越好。
7添加更多测试集
8 .按代保存培训结果和网络
点击xx script,生成所需的代码(m文件);
单击save results,将数据结果和网络输出到workspace;
译文: 3359 www.cn blogs.com/Feynman ia/p/12893442.html