在MATLAB^®命令窗口，加载carbig数据集，并创建一个包含不同变量的表。

负载carbigcartable =表(加速、气缸、位移,．..马力,Model_Year、重量、起源、MPG);

单击应用程序选项卡，然后单击显示更多右边的箭头打开应用程序库。在机器学习和深度学习组中,单击回归的学习者．

在回归的学习者选项卡,文件部分中,点击新会话并选择从工作空间．

在“来自工作区的新会话”对话框中，选择表cartable从数据集变量列表(如果有必要)。

如对话框所示，应用程序选择英里/加仑作为响应，其他变量作为预测变量。对于本例，不要更改选择。

要接受默认的验证方案并继续，请单击开始会议．默认的验证选项是5倍交叉验证，以防止过拟合。

回归学习器创建响应图，记录号在x设在。

使用响应图来研究哪些变量对预测响应有用。为了可视化不同预测因素和反应之间的关系，选择中不同的变量X列表下轴．请注意哪些变量与响应最明显相关。

创建神经网络模型的选择。在回归的学习者选项卡,模型类型段，单击箭头以打开图库。在神经网络组中,单击所有的神经网络．

在培训部分中,点击火车．回归学习器训练图库中每个神经网络选项中的一个。在模型窗格，应用程序概述RMSE(验证)(均方根误差)的最佳模型。

中选择一个模型模型窗格以查看结果。在回归的学习者选项卡,情节段，单击箭头以打开图库，然后单击响应在验证结果组。检查训练模型的响应图。真实的反应用蓝色表示，预测的反应用黄色表示。

下轴中,选择马力并检查响应图。真实的和预测的反应现在都画出来了。显示预测误差，在预测和真实响应之间画成竖线，通过选择错误复选框。

有关当前选择的模型的更多信息，请参阅当前模型的总结窗格。检查和比较其他模型特征，如R-squared(决定系数)，MAE(平均绝对误差)，和预测速度。想要了解更多，请看查看和比较模型统计．在当前模型的总结窗格中，您还可以找到有关当前选择的模型类型的详细信息，例如用于训练模型的选项。

把预测的反应和真实的反应画出来。在回归的学习者选项卡,情节段，单击箭头以打开图库，然后单击预测与实际(验证)在验证结果组。使用这个图来确定回归模型对不同响应值的预测有多好。

一个完美的回归模型预测的响应等于真实的响应，所以所有的点都在一条对角线上。从直线到任意点的垂直距离就是对该点的预测误差。一个好的模型误差小，所以预测都分散在这条线附近。典型地，一个好的模型在对角线周围有一些大致对称分布的点。如果您能在图中看到任何清晰的模式，您就很可能改进您的模型。

中选择其他模型模型窗格，打开每个模型的预测与实际图，然后比较结果。看到通过改变布局来比较模型图．

在模型类型画廊,选择所有的神经网络一次。为了改进模型，要加入不同的功能。看看是否可以通过删除预测能力低的特征来改进模型。在回归的学习者选项卡,特性部分中,点击特征选择．

在“特性选择”对话框中，清除加速度和气缸将它们从预测器中排除，然后单击好吧．

在培训部分中,点击火车使用新的预测器设置来训练神经网络模型。

观察新模型模型窗格。这些模型与之前的神经网络模型相同，但只使用了七个预测器中的五个。对于每个模型，应用程序会显示使用了多少预测器。要检查使用了哪些预测器，请单击模型窗格，并咨询特征选择部分的当前模型的总结窗格。

去掉这两个特征的模型与包含所有预测因子的模型表现相当。与只使用其中一部分预测因子相比，使用所有预测因子的模型预测效果并不更好。如果数据收集非常昂贵或困难，您可能更喜欢无需一些预测器就能令人满意地执行的模型。

选择最好的模型在模型窗格并查看残差图。在回归的学习者选项卡,情节段，单击箭头以打开图库，然后单击残差(验证)在验证结果组。残差图显示了预测和真实反应之间的差异。将残差显示为线形图，在风格部分中,选择行．

下轴，选择要在上面绘图的变量x设在。选择真实的反应，预测的反应，记录号码，或你的预测之一。

典型地，一个好的模型的残差大致对称地散布在0附近。如果您能在残差中看到任何清晰的模式，您就很可能改进您的模型。

您可以尝试进一步改进最好的模型在模型窗格的高级设置。在回归的学习者选项卡,模型类型部分中,点击先进的并选择先进的．尝试改变一些设置，如完全连接图层的大小或正则化强度，然后点击好吧．然后通过单击训练新模型火车．

要了解更多关于神经网络模型设置的信息，请参见神经网络．

您可以将训练模型的完整或紧凑版本导出到工作空间。在回归的学习者选项卡,出口部分中,点击出口模式和选择出口模式或出口紧凑的模型．看到导出回归模型预测新数据．

要检查用于训练此模型的代码，请单击生成函数在出口部分。

在回归的学习者选项卡,模型类型节中，单击箭头以打开回归模型库。

在开始组中,单击所有．然后,在培训部分中,点击火车．