主要内容

MSE

均值平均归一化误差性能功能

页面上倒塌

语法

perf = mse（net，t，y，ew）

描述

示例

提示

使用具有深度学习的均方误差，使用回归金属，或使用dlarray.方法MSE。

轶= MSE（净那T.那y那EW.）采取神经网络，净，矩阵或细胞阵列的目标，T.，输出矩阵或小区阵列，y和错误权重，EW.，并返回平均方形错误。

此函数有两个可选参数，它与网络相关联net.trainfcn.设置为此功能：

  • '正规化'可以设置为0到1之间的任何值。正则化值越大，相对于错误的性能计算中包含更多的平方权重和偏差。默认值为0，对应于没有正则化。

  • '正常化'可以设置为'没有'（默认值）;'标准'，该标准化-2和2之间的误差，对应于归一化-1和1之间的归一化输出和目标;和'百分之'，该功能在-1和1之间标准化误差。此功能对于具有多元素输出的网络非常有用。它确保了具有不同目标值范围的输出元件的相对精度被视为同样重要的，而不是优先考虑具有最大目标值范围的输出元件的相对精度。

您可以创建一个使用的标准网络MSE借FeedforwardNet.或者cascadeforwardnet.。准备自定义网络培训MSE，集net.performfcn.到目前为止'妈妈'。这会自动设置net.performparam.到具有默认可选参数值的结构。

MSE是网络性能功能。根据平方误差的平均值测量网络的性能。

例子

崩溃

打开直播脚本

此示例显示如何使用该示例介绍神经网络MSE性能功能。

这里创建了双层前馈网络，并训练使用的估计体脂百分比MSE性能功能和正则化值0.01。

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

MSE是默认的性能函数FeedforwardNet.。

net.performfcn.
ans ='mse'

培训网络并评估性能。

净=火车（网，x，t）;y = net（x）;perf =执行（net，t，y）
perf = 20.7769.

或者，你可以打电话MSE直接。

perf = mse（net，t，y，'正规化'，0.01）
perf = 20.7769.

输入参数

崩溃

您要计算的网络表现，指定为a系列网络或者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

崩溃

网络性能作为平均平方误差。

另请参阅

在R2006A之前介绍

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书