主要内容

CompactRegressionNeuralNetwork

紧凑型神经网络回归模型

在页面中全部展开

    描述

    CompactRegresionNeuralNetwork是紧凑型的RegressionNeuralNetwork模型对象。紧凑模型不包括用于训练回归模型的数据。因此，您不能使用紧凑模型执行一些任务，例如交叉验证。对于预测新数据的响应值等任务，使用紧凑的模型。

    创建

    创建一个CompactRegressionNeuralNetwork对象从完整的RegressionNeuralNetwork通过使用紧凑的．

    属性

    全部展开

    神经网络属性

    此属性是只读的。

    神经网络模型中完全连接层的大小，作为正整数向量返回。的我th元素LayerSizes输出的数量是我神经网络模型的全连通层。

    LayerSizes不包括最终完全连接层的大小。这个层总是有一个输出。

    数据类型:单|双

    此属性是只读的。

    学习了完全连接层的层权值，作为单元格数组返回。的我单元格数组中的条目对应于的层权重我完全连接层。例如,Mdl。LayerWeights {1}返回模型的第一个完全连接层的权值Mdl．

    LayerWeights包括最终全连接层的权值。

    数据类型:细胞

    此属性是只读的。

    学习了完全连接层的层偏差，作为单元格数组返回。的我单元格数组中的条目对应于的层偏差我完全连接层。例如,Mdl。LayerBiases {1}返回模型的第一个完全连接层的偏差Mdl．

    LayerBiases包括最终全连接层的偏差。

    数据类型:细胞

    此属性是只读的。

    神经网络模型的全连接层的激活函数，作为具有该表值的字符向量或字符向量的单元格数组返回。

    价值 描述
    “relu”

    整流线性单元(ReLU)函数—对输入的每个元素执行阈值操作，其中任何小于零的值都被设为零，即:

    f （ x ） ＝ ｛ x ， x ≥ 0 0 ， x < 0

    的双曲正切

    双曲正切(tanh)函数——应用双曲正切函数赋给每个输入元素
    “乙状结肠”

    Sigmoid函数——对每个输入元素执行以下操作:

    f （ x ） ＝ 1 1 + e − x

    “没有”

    恒等函数——返回每个输入元素，而不执行任何转换，即f（x) =x

    • 如果激活仅包含一个激活函数，则为神经网络模型中每一全连通层的激活函数，不包括最后一全连通层，该全连通层没有激活函数(OutputLayerActivation）.

    • 如果激活是一个数组的激活函数，那么我元素是激活函数我第层神经网络模型。

    数据类型:字符|细胞

    此属性是只读的。

    最终全连接层的激活函数，返回为“没有”．

    数据属性

    此属性是只读的。

    预测器变量名，作为字符向量的单元格数组返回。元素的顺序PredictorNames对应于预测器名称在训练数据中出现的顺序。

    数据类型:细胞

    此属性是只读的。

    分类预测器索引，作为正整数的向量返回。假设预测数据包含成行的观察结果，CategoricalPredictors包含与包含类别预测器的预测器数据的列对应的索引值。如果没有一个预测器是绝对的，则此属性为空(［］）.

    数据类型:双

    此属性是只读的。

    扩展的预测器名称，作为字符向量的单元格数组返回。如果模型对分类变量使用编码，则ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames和PredictorNames．

    数据类型:细胞

    此属性是只读的。

    响应变量名，作为字符向量返回。

    数据类型:字符

    此属性是只读的。

    响应转换函数，返回为“没有”．该软件不转换原始响应值。

    对象的功能

    全部展开

    石灰 局部可解释模型不可知解释(LIME)
    partialDependence 计算部分依赖
    plotPartialDependence 创建偏依赖图(PDP)和个体条件期望图(ICE)
    沙普利 沙普利值
    损失 回归神经网络的损失
    预测 使用回归神经网络预测响应

    例子

    全部折叠

    打开生活的脚本

    通过从模型中删除训练数据来减小完整回归神经网络模型的大小。您可以使用一个紧凑的模型来提高内存效率。

    加载病人数据集。从数据集创建一个表。每一行对应一个病人，每列对应一个诊断变量。使用收缩压变量作为响应变量，其余变量作为预测变量。

    负载病人台=表(年龄、舒张压、性别、身高、吸烟,体重,收缩期);

    利用数据训练回归神经网络模型。指定收缩压列的tblTrain作为响应变量。指定以标准化数值预测器。

    Mdl = fitrnet(资源描述,“收缩”，“标准化”,真正的)
    Mdl = RegressionNeuralNetwork PredictorNames: {1x6 cell} ResponseName: 'Systolic' CategoricalPredictors: [3 5] ResponseTransform: 'none' NumObservations: 100 LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'none' Solver: 'LBFGS' ConvergenceInfo: [1x1 struct] TrainingHistory: [648x7 table] Properties, Methods

    Mdl是一个完整的RegressionNeuralNetwork模型对象。

    减小模型的尺寸使用紧凑的．

    compactMdl =紧凑(Mdl)
    compactMdl = CompactRegressionNeuralNetwork LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'none' Properties, Methods

    compactMdl是一个CompactRegressionNeuralNetwork模型对象。compactMdl包含比完整模型更少的属性Mdl．

    显示每个神经网络模型使用的内存数量。

    谁(“Mdl”，“compactMdl”）
    名称大小字节类属性Mdl 1x1 53110 RegressionNeuralNetwork compactMdl 1x1 5991 classreg.learning.regr.CompactRegressionNeuralNetwork . clasreg .learning.regr

    完整的模型比紧凑的模型大。

    扩展功能

    版本历史

    介绍了R2021a

    另请参阅

    |||||

    主题

    Baidu
    map