RegressionNeuralNetwork
神经网络回归模型
描述
一个RegressionNeuralNetworkObject是一个经过训练的、前馈的、完全连接的用于回归的神经网络。神经网络的第一个完全连接层具有来自网络输入(预测器数据)的连接X)，之后的每一层都有来自前一层的连接。每个全连接层将输入乘以权重矩阵(LayerWeights)，然后加上偏置向量(LayerBiases)．每个全连接层后面都有激活函数，但不包括最后一层(激活而且OutputLayerActivation)．最后的全连接层产生网络的输出，即预测响应值。有关更多信息，请参见神经网络结构．
创建
创建一个RegressionNeuralNetwork对象，使用fitrnet．
属性
对象的功能
例子
训练神经网络回归模型
训练神经网络回归模型，并在测试集上评估模型的性能。
加载carbig数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。创建一个包含预测变量的表加速度，位移，等等，以及响应变量英里/加仑．
负载carbigcars = table(加速度，位移，马力，.．.Model_Year、产地、重量、MPG);
删除汽车表中缺少值的地方。
汽车= rmmissing(汽车);
根据是否是美国制造来对汽车进行分类。
汽车Origin = categorical(cellstr(cars.Origin));汽车起源= mergecats(汽车。起源,“法国”，“日本”，.．.“德国”，“瑞典”，“意大利”，“英格兰”),“NotUSA”）;
将数据划分为训练集和测试集。使用大约80%的观察结果来训练神经网络模型，20%的观察结果用于测试训练模型在新数据上的性能。使用cvpartition对数据进行分区。
rng (“默认”）用于数据分区的再现性C = cvpartition(height(cars)，“坚持”, 0.20);trainingIdx = training(c);训练集指数%carsTrain = cars(trainingIdx，:);testdx =测试(c);测试集指数carsTest = cars(testdx，:);
训练神经网络回归模型carsTrain训练数据fitrnet函数。为了获得更好的结果，请指定标准化预测器数据。
Mdl = fitrnet(carsTrain，“英里”，“标准化”,真正的)
Mdl = RegressionNeuralNetwork PredictorNames: {1x6 cell} ResponseName: 'MPG' CategoricalPredictors: 5 ResponseTransform: 'none' NumObservations: 314 LayerSizes: 10 activation: 'relu' OutputLayerActivation: 'none'求解器:'LBFGS' ConvergenceInfo: [1x1 struct] TrainingHistory: [708x7 table]属性，方法
Mdl是受过训练的RegressionNeuralNetwork模型。的属性可以使用点表示法访问Mdl．例如，您可以指定Mdl。TrainingHistory获取更多关于神经网络模型训练历史的信息。
通过计算测试均方误差(MSE)来评估回归模型在测试集上的性能。MSE值越小，性能越好。
testMSE = loss(Mdl,carsTest，“英里”）
testMSE = 7.1092
指定神经网络回归模型体系结构
指定神经网络回归模型的结构，包括全连接层的大小。
加载carbig数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。创建一个矩阵X包含预测变量加速度，气缸等等。存储响应变量英里/加仑在变量中Y．
负载carbigX =[加速度缸位移重量];Y = mpg;
删除X而且Y其中任何一个数组都有缺失值。
R = rmmissing([X Y]);X = R(:，1:end-1);Y = R(:，end);
将数据划分为训练数据(XTrain而且YTrain)和测试数据(XTest而且欧美)．保留大约20%的观察结果用于测试，其余的观察结果用于训练。
rng (“默认”）用于分区的再现性c = cvpartition(length(Y)，“坚持”, 0.20);trainingIdx = training(c);%训练集的指数XTrain = X(trainingIdx，:);YTrain = Y(trainingIdx);testdx =测试(c);%测试集的索引XTest = X(testdx，:);YTest = Y(testdx);
训练神经网络回归模型。指定对预测器数据进行标准化，并在第一个全连接层中有30个输出，在第二个全连接层中有10个输出。默认情况下，两层都使用一个整流线性单元(ReLU)激活函数。属性可以更改全连接层的激活函数激活名称-值参数。
Mdl = fitrnet(XTrain,YTrain，“标准化”,真的,.．.“LayerSizes”30 [10])
Mdl = RegressionNeuralNetwork ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 319 LayerSizes: [30 10] activation: 'relu' OutputLayerActivation: 'none' Solver: 'LBFGS' ConvergenceInfo: [1x1 struct] TrainingHistory: [1000x7 table] Properties, Methods
方法访问已训练模型的完全连接层的权重和偏差LayerWeights而且LayerBiases的属性Mdl．每个属性的前两个元素对应于前两个完全连接层的值，第三个元素对应于用于回归的最后一个完全连接层的值。例如，显示第一个全连接层的权重和偏差。
Mdl。LayerWeights {1}
ans =30×40.0122 0.0116 -0.0094 0.1174 -0.4400 -1.5674 -0.1234 -2.2396 0.3370 0.2628 -1.9752 0.2937 -2.9872 -3.1024 -0.9050 -1.5978 0.7721 2.2010 1.3134 0.2364 0.1718 1.8862 -3.0548 -0.4272 0.9583 -0.0591 -0.9272 -0.3960 1.6701 -0.1617 -1.2640 0.7811 -0.7890 -0.8045 0.2993 1.5391 0.2053 -2.3423 1.7768 1.1690
Mdl。LayerBiases {1}
ans =30×1-0.4448 -1.0814 -0.5026 -0.9984 0.2245 -2.1709 1.6112 1.3802 -1.2855 0.1969
最后的全连接层有一个输出。层输出的数量对应于层权重和层偏差的第一个维度。
大小(Mdl.LayerWeights{结束})
ans =1×21 10
大小(Mdl.LayerBiases{结束})
ans =1×21
为了估计训练模型的性能，计算的测试集均方误差(MSE)Mdl．MSE值越小，性能越好。
testMSE = loss(Mdl,XTest,YTest)
testMSE = 16.8576
将预测测试集响应值与真实响应值进行比较。纵轴表示预测每加仑英里数(MPG)，横轴表示实际MPG。参考线上的点表示正确的预测。一个好的模型产生的预测分布在这条线附近。
testforecasts = predict(Mdl,XTest);情节(欧美、testPredictions“。”)举行在情节(欧美,欧美)从包含(“真正的MPG”) ylabel (“预测MPG”）
扩展功能
版本历史
R2021a中引入
您也可以从以下列表中选择一个网站: