Fitting della rete neurale
Risolvere il problema del fitting utilizzando reti feed-forward a due livelli (da rimuovere)
L'app The Fitting della rete neurale 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).
Descrizione
L’app Neural Net Fitting consente di creare, visualizzare e addestrare una rete feed-forward a due livelli per risolvere i problemi di data fitting.
Con questa applicazione è possibile:
Importare i dati da un file, dal workspace MATLAB® o utilizzare uno dei set di dati di esempio.
Suddividere i dati in set di addestramento, convalida e prova.
Definire e addestrare una rete neurale.
Valutare la performance della rete utilizzando l'errore quadratico medio e l'analisi della regressione.
Analizzare i risultati utilizzando grafici di visualizzazione, come l'adattamento della regressione o l'istogramma degli errori.
Generare script MATLAB per riprodurre i risultati e personalizzare il processo di addestramento.
Generare funzioni adatte a essere utilizzate con gli strumenti MATLAB Compiler™ e MATLAB Coder™ e adatte a essere esportate in Simulink® per essere utilizzate con Simulink Coder.
Suggerimento
Per costruire e visualizzare le reti neurali di Deep Learning in modo interattivo, utilizzare l'app Deep Network Designer. Per ulteriori informazioni, vedere Come iniziare a utilizzare Deep Network Designer.
Apri l’app Fitting della rete neurale
Prima di R2026a: Barra degli strumenti MATLAB: Nella scheda Apps, sotto Machine Learning and Deep Learning, fare clic sull’icona dell’app.
Nel prompt dei comandi MATLAB: Immettere
nftool.
Algoritmi
L’app Neural Net Fitting fornisce algoritmi di addestramento integrati che possono essere utilizzati per addestrare la rete neurale.
| Algoritmo di addestramento | Descrizione |
|---|---|
| Levenberg-Marquardt | Aggiornamento dei valori di pesi e bias secondo l'ottimizzazione di Levenberg-Marquardt. L'addestramento Levenberg-Marquardt è spesso l'algoritmo di addestramento più veloce, sebbene richieda più memoria rispetto ad altre tecniche. Per implementare questo algoritmo, l’app Neural Net Fitting utilizza la funzione |
| Regolarizzazione bayesiana | La regolarizzazione bayesiana aggiorna i valori di pesi e bias secondo l'ottimizzazione di Levenberg-Marquardt. Minimizza quindi una combinazione di errori quadratici e pesi e determina la combinazione corretta onde produrre una rete che generalizzi in modo corretto. Questo algoritmo richiede in genere più tempo, ma è in grado di generalizzare set di dati rumorosi o di piccole dimensioni in modo utile. Per implementare questo algoritmo, l’app Neural Net Fitting utilizza la funzione |
Retropropagazione a gradiente coniugato scalato | La retropropagazione a gradiente coniugato scalato aggiorna i valori di pesi e bias secondo il metodo del gradiente coniugato scalato. Per problemi più grandi, si consiglia il gradiente coniugato scalare in quanto utilizza calcoli del gradiente più efficienti in termini di memoria rispetto ai calcoli jacobiani utilizzati da Levenberg-Marquardt o dalla regolarizzazione bayesiana. Per implementare questo algoritmo, l’app Neural Net Fitting utilizza la funzione |
Cronologia versioni
Vedi anche
Time Series Modeler | Regression Learner (Statistics and Machine Learning Toolbox) | Deep Network Designer | Deep Network Quantizer | Experiment Manager | Classification Learner (Statistics and Machine Learning Toolbox) | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork
