主要内容

均方误差

均方归一化误差性能函数

折叠所有页面

语法

Perf = mse(net,t,y,ew)

描述

例子

提示

要在深度学习中使用均方误差，请使用regressionLayer，或使用dlarray均方误差的方法。

性能= mse (网，t，y，电子战）用一个神经网络，网，目标的矩阵或单元阵列，t，输出的矩阵或单元格数组，y，误差权重，电子战，并返回均方误差。

该函数有两个可选参数，分别与网络net.trainFcn设置为此函数:

  • “正规化”可以设置为0到1之间的任何值。正则化值越大，相对于误差，性能计算中包含的权重和偏差的平方就越多。默认值为0，对应于没有正则化。

  • “归一化”可以设置为“没有”(默认);“标准”，将误差归一化在-2到2之间，对应归一化输出和目标在-1到1之间;而且“百分比”，它将-1到1之间的误差归一化。该特性对于具有多元素输出的网络非常有用。它确保具有不同目标值范围的输出元素的相对精度被同等重要，而不是优先考虑具有最大目标值范围的输出元素的相对精度。

您可以创建一个使用的标准网络均方误差与feedforwardnet或cascadeforwardnet．准备一个用于训练的自定义网络均方误差,设置net.performFcn来mse的．这将自动设置net.performParam到具有默认可选参数值的结构。

均方误差是一个网络性能函数。它根据平方误差的平均值来衡量网络的性能。

例子

全部折叠

打开实时脚本

这个例子展示了如何训练神经网络使用均方误差性能函数。

在这里，一个两层前馈网络被创建和训练，以估计体脂率使用均方误差性能函数和正则化值为0.01。

[x, t] = bodyfat_dataset;Net = feedforwardnet(10);net.performParam.regularization = 0.01;

的默认性能函数feedforwardnet．

net.performFcn

培训网络并评估绩效。

Net = train(Net, x, t);Y = net(x);性能=执行(净，t, y)

或者，你也可以打电话均方误差直接。

Perf = mse(net, t, y，“正规化”, 0.01)

输入参数

全部折叠

要计算的网络性能，指定为SeriesNetwork或者一个DAGNetwork对象。

目标，指定为矩阵或单元格数组。

输出，指定为矩阵或单元格数组。

错误权重，指定为标量。

输出参数

全部折叠

网络性能为均方误差。

版本历史

R2006a之前介绍

另请参阅