mae

Funzione di prestazione dell’errore assoluto medio (da eliminare)

mae sarà rimossa in una prossima release. Per ulteriori informazioni, vedere Transition Legacy Neural Network Code to dlnetwork Workflows.

Per suggerimenti sull'aggiornamento del codice, vedere Version History (Storico della versione).

Sintassi

perf = mae(E,Y,X)

dPerf_dx = mae('dx',E,Y,X,perf)

info = mae('code')

Descrizione

Suggerimento

Per utilizzare l'errore assoluto medio con il Deep Learning, utilizzare la funzione trainnet e impostare la funzione di perdita su "mae" oppure utilizzare la funzione l1loss per gli oggetti dlarray.

perf = mae(E,Y,X) considera una matrice o un array di celle di vettori di errore E e opzionalmente una matrice o un array di celle di vettori di output Y, un vettore di tutti i valori di peso e di bias X e restituisce le performance della rete come media degli errori assoluti perf.

dPerf_dx = mae('dx',E,Y,X,perf) restituisce la derivata di perf rispetto a X.

info = mae('code') restituisce informazioni utili per ciascun vettore di carattere code:

• mae('name') restituisce il nome di questa funzione.

• mae('pnames') restituisce i nomi dei parametri di addestramento.

• mae('pdefaults') restituisce i parametri predefiniti della funzione.

Esempi

Calcolo delle performance della rete con 'mae'

Questo esempio mostra come calcolare le performance della rete come media degli errori assoluti.

Creare e configurare un perceptron con un input e un neurone:

net = perceptron;
net = configure(net,0,0);

La rete riceve un batch di input P. L'errore viene calcolato sottraendo l’output A dal target T. Quindi, l'errore assoluto medio viene calcolato.

p = [-10 -5 0 5 10];
t = [0 0 1 1 1];
y = net(p)
e = t-y
perf = mae(e)

Si consideri che mae può essere chiamato esclusivamente con un argomento, poiché gli altri argomenti vengono ignorati. mae supporta tali argomenti per conformarsi all'elenco degli argomenti standard delle funzioni di performance.

Argomenti di input

E — Errori

vettore | matrice | array di celle

Errori, specificati come un vettore, una matrice o un array di celle.

Y — Output

vettore | matrice | array di celle

Output della rete, specificati come un vettore, una matrice o un array di celle.

X — Pesi e bias

vettore

Valori di pesi e bias, specificati come un vettore.

Argomenti di output

perf — Performance della rete

scalare

Performance della rete come media degli errori assoluti, restituita come uno scalare.

dPerf_dx — Derivata delle performance della rete

scalare

Derivata di perf rispetto a X, restituita come uno scalare.

Ulteriori informazioni

Utilizzo della rete

È possibile creare una rete standard che utilizza mae con perceptron.

Per preparare una rete personalizzata da addestrare con mae, impostare net.performFcn su 'mae'. Questo imposta automaticamente net.performParam sulla matrice vuota [], poiché mae non presenta parametri di performance.

In entrambi i casi, il risultato è che chiamando train o adapt, mae viene utilizzato per calcolare le performance.

Cronologia versioni

Introduzione prima di R2006a

Prossima rimozione di mae

mae sarà rimossa in una prossima release.

Per saperne di più sull'utilizzo delle metriche e delle funzioni di perdita durante l'addestramento delle reti neurali, vedere questi esempi e argomenti:

• Deep Learning Metrics

• Custom Loss Functions

• Monitoraggio dei progressi dell’addestramento in Deep Learning

• ROC Curve and Performance Metrics

Per gli oggetti dlnetwork, specificare la perdita dell'errore medio assoluto (MAE) impostando lossFcn della funzione trainnet su "mae". Per funzioni di perdita personalizzate e loop di addestramento personalizzati, utilizzare la funzione l1loss.

Per ulteriori informazioni, vedere Transition Legacy Neural Network Code to dlnetwork Workflows.

Vedi anche

Time Series Modeler | fitrnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork | l1loss

Argomenti

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows