主要内容

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

신경망

이진 클래스 및 다중클래스 분류를 위한 신경망

신경망 모델은 뇌에서 정보를 처리하는 방식을 반영한 일련의 계층으로 구조화되어 있습니다. 统计和机器学习工具箱™에서 사용할 수 있는 신경망 분류기는 완전 연결 계층의 크기를 조정하고 계층의 활성화 함수를 변경할 수 있는 완전히 연결된 피드포워드 신경망입니다.

신경망 분류 모델을 훈련시키려면분류 학습기앱을 사용하십시오. 명령줄 인터페이스에서菲茨内特을 사용하여 신경망 분류기를 훈련시키면 유연성을 높일 수 있습니다. 훈련 후에는 모델과 새 예측 변수 데이터를预测에 전달하여 새로운 데이터를 분류할 수 있습니다.

더 복잡한 딥러닝 신경망을 만들고 深度学习工具箱™를 사용하려면심층 신경망 디자이너(深度学习工具箱)앱을 사용해 보십시오.

분류 학습기 머신러닝 지도 학습을 사용하여 데이터를 분류하도록 모델 훈련시키기

함수

모두 확장

菲茨内特 训练神经网络分类模型
契约 缩小机器学习模型的规模
克罗斯瓦尔 交叉验证机器学习模型
kfoldLoss 交叉验证分类模型的分类损失
kfoldPredict 交叉验证分类模型中的观测分类
kfoldEdge 交叉验证分类模型的分类边缘
kfoldMargin 交叉验证分类模型的分类裕度
kfoldfun 用于分类的交叉验证函数
丧失 神经网络分类器的分类损失
恢复 再替代分类损失
神经网络分类器的边缘分类
边缘 神经网络分类器的分类裕度
再沉积 再置换分类边缘
再精 再替代分类界限
预测 利用神经网络分类器对观测数据进行分类
再预测 使用经过训练的分类器对训练数据进行分类

객체

分类神经网络 分类的神经网络模型
紧分类神经网络 用于分类的紧凑型神经网络模型
分类分区模型 交叉验证分类模型

도움말 항목

评估神经网络分类器性能

使用菲茨内特创建具有完全连接层的前馈神经网络分类器,并根据测试数据评估模型的性能。

使用分类学习器App训练神经网络分类器

创建和比较神经网络分类器,并导出经过训练的模型,以便对新数据进行预测。