RegressionNeuralNetwork
为回归神经网络模型
描述
一个RegressionNeuralNetwork对象是一个训练有素、前馈和完全连接神经网络回归。第一个完全连接层的神经网络已连接网络的输入(预测数据X),并且每个后续层从上一层连接。每个完全连接层增加输入权重矩阵(LayerWeights),然后添加一个偏差向量(LayerBiases)。激活函数遵循每个完全连接层,除最后一个(激活和OutputLayerActivation)。最后完全连接层生成网络的输出,即预测响应值。有关更多信息,请参见神经网络结构。
创建
创建一个RegressionNeuralNetwork对象的使用fitrnet。
属性
对象的功能
例子
训练神经网络回归模型
训练一个神经网络回归模型,评估模型的性能测试集。
加载carbig的数据集,其中包含测量汽车在1970年代末和1980年代初。创建一个表包含预测变量加速度,位移等等,以及响应变量英里/加仑。
负载carbig汽车=表(加速度、位移、马力、…Model_Year、产地、重量、MPG);
分区数据分为训练集和测试集。使用大约80%的观察来训练一个神经网络模型,和20%的观察来测试新数据训练模型的性能。使用cvpartition分区的数据。
rng (“默认”)%数据分区的再现性c = cvpartition(长度(MPG),“坚持”,0.20);trainingIdx =培训(c);%训练集指数carsTrain =汽车(trainingIdx:);testIdx =测试(c);%测试集指数喀斯特岩溶=汽车(testIdx:);
通过训练神经网络回归模型carsTrain训练数据fitrnet函数。对于更好的结果,指定标准化预测数据。
Mdl = fitrnet (carsTrain,“英里”,“标准化”,真正的)
Mdl = RegressionNeuralNetwork PredictorNames:{“加速度”“位移”“马力”“Model_Year”“起源”“重量”}ResponseName:“英里”CategoricalPredictors: 5 ResponseTransform:“没有一个”NumObservations: 314 LayerSizes: 10激活:“relu”OutputLayerActivation:“线性”解算器:“LBFGS”ConvergenceInfo: [1×1 struct] TrainingHistory: 1000×7表属性,方法
Mdl是一个培训RegressionNeuralNetwork模型。可以使用点符号来访问的属性Mdl。例如,您可以指定Mdl.TrainingHistory获得更多的培训历史信息的神经网络模型。
评估性能的测试集上的回归模型通过计算测试均方误差(MSE)。更小的均方误差值显示更好的性能。
testMSE =损失(Mdl、喀斯特岩溶“英里”)
testMSE = 16.6154
指定神经网络回归模型架构
指定结构的神经网络回归模型,包括完全连接层的大小。
加载carbig的数据集,其中包含测量汽车在1970年代末和1980年代初。创建一个矩阵X包含预测变量加速度,气缸,等等。存储的响应变量英里/加仑在变量Y。
负载carbigX =(加速度气缸位移重量);Y = MPG;
分区数据分为训练数据(XTrain和YTrain)和测试数据(XTest和欧美)。储备大约20%的观察测试,并使用其余的观测进行训练。
rng (“默认”)%的再现性分区c = cvpartition(长度(Y),“坚持”,0.20);trainingIdx =培训(c);%训练集的指标XTrain = X (trainingIdx:);YTrain = Y (trainingIdx);testIdx =测试(c);%测试集的指标XTest = X (testIdx:);欧美= Y (testIdx);
训练一个神经网络回归模型。指定规范预测数据,并有30输出第一个完全连接层和10第二完全连接输出层。默认情况下,两层使用修正的线性单元(ReLU)激活函数。你可以改变完全连接层的激活函数使用激活名称-值参数。
Mdl = fitrnet (XTrain YTrain,“标准化”,真的,…“LayerSizes”30 [10])
Mdl = RegressionNeuralNetwork ResponseName:‘Y’CategoricalPredictors: [] ResponseTransform:“没有一个”NumObservations: 318 LayerSizes: 30[10]激活:“relu”OutputLayerActivation:“线性”解算器:“LBFGS”ConvergenceInfo: [1×1 struct] TrainingHistory: 1000×7表属性,方法
访问完全连接层的重量和偏见训练模型的使用LayerWeights和LayerBiases的属性Mdl。前两个元素的每个属性对应的值前两个完全连接层,第三个元素对应的值最终回归完全连接层。例如,显示重量和偏见第一完全连接层。
Mdl.LayerWeights {1}
ans =30×4-1.0617 0.1287 0.0797 0.4648 -0.6497 -1.4565 -2.6026 2.6962 -0.6420 0.2744 -0.0234 -0.0252 -1.9727 -0.4665 -0.5833 0.9371 -0.4373 0.1607 0.3930 0.7859 0.5091 -0.0032 -0.6503 -1.6694 0.0123 -0.2624 -2.2928 -1.0965 -0.1386 1.2747 0.4085 0.5395 -0.1755 1.5641 -3.1896 -1.1336 0.4401 0.4942 1.8957 -1.1617⋮
Mdl.LayerBiases {1}
ans =30×1-1.3086 -1.6205 -0.7815 1.5382 -0.5256 1.2394 -2.3078 -1.0709 -1.8898 1.9443⋮
最后完全连接层有一个输出。层输出的数量对应的第一个维度一层一层重量和偏见。
大小(Mdl.LayerWeights{结束})
ans =1×21 10
大小(Mdl.LayerBiases{结束})
ans =1×21
估计的性能训练模型,计算测试集均方误差(MSE)Mdl。更小的均方误差值显示更好的性能。
testMSE =损失(Mdl XTest、欧美)
testMSE = 17.2022
比较测试集预测响应值和真实的响应值。绘制预测英里每加仑(MPG)沿垂直轴沿水平轴和真正的MPG。点参考线显示正确的预测。一个好的模型产生散射线附近的预测。
XTest testPredictions =预测(Mdl);情节(欧美、testPredictions“。”)举行在情节(欧美,欧美)从包含(“真正的MPG”)ylabel (“预测MPG”)
