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