Reti neurali

Reti neurali per la regressione

I modelli di reti neurali sono strutturati come una serie di livelli che rispecchiano il modo in cui il cervello elabora le informazioni. I modelli di reti neurali di regressione disponibili in Statistics and Machine Learning Toolbox™ sono reti neurali feed-forward completamente connesse, per le quali è possibile regolare la dimensione dei livelli completamente connessi e modificarne le funzioni di attivazione.

Per addestrare un modello di rete neurale di regressione, utilizzare l'app Regression Learner. L'app offre diversi tipi di reti completamente connesse. Se si dispone di Deep Learning Toolbox™, è inoltre possibile modificare e addestrare modelli di reti neurali personalizzabili. Per ulteriori informazioni, vedere Choose Model Options In Regression Learner.

Per una maggiore flessibilità, addestrare un modello di rete neurale di regressione utilizzando fitrnet nell'interfaccia della riga di comando. Dopo l'addestramento, è possibile prevedere le risposte per nuovi dati passando il modello e i nuovi dati predittivi a predict.

Se si desidera creare reti di Deep Learning più complesse e si dispone di Deep Learning Toolbox, è possibile provare l'app Deep Network Designer (Deep Learning Toolbox).

App

Regression LearnerTrain regression models to predict data using supervised machine learning

Blocchi

RegressionNeuralNetwork PredictPredict responses using neural network regression model (Da R2021b)

Funzioni

espandi tutto

fitrnetTrain neural network regression model
compactReduce size of machine learning model
fitrqnetTrain regression quantile neural network (Da R2024b)
limeLocal interpretable model-agnostic explanations (LIME)
partialDependenceCompute partial dependence
permutationImportancePredictor importance by permutation (Da R2024a)
plotPartialDependenceCreate partial dependence plot (PDP) and individual conditional expectation (ICE) plots
shapleyShapley values
crossvalCross-validate machine learning model
kfoldLossLoss for cross-validated partitioned regression model
kfoldPredictPredict responses for observations in cross-validated regression model
kfoldfunCross-validate function for regression
kfoldLossLoss for cross-validated partitioned quantile regression model (Da R2025a)
kfoldPredictPredict responses for observations in cross-validated quantile regression model (Da R2025a)
kfoldfunCross-validate function for quantile regression (Da R2025a)
lossLoss for regression neural network
resubLossResubstitution regression loss
lossLoss for quantile neural network regression model (Da R2024b)
predictPredict responses using regression neural network
resubPredictPredict responses for training data using trained regression model
predictPredict response for quantile neural network regression model (Da R2024b)

Oggetti

RegressionNeuralNetworkNeural network model for regression
CompactRegressionNeuralNetworkCompact neural network model for regression
RegressionPartitionedNeuralNetworkCross-validated regression neural network model (Da R2023b)
RegressionQuantileNeuralNetworkQuantile neural network model for regression (Da R2024b)
CompactRegressionQuantileNeuralNetworkCompact quantile neural network model for regression (Da R2025a)
RegressionPartitionedQuantileNeuralNetworkCross-validated quantile neural network for regression (Da R2026a)

Argomenti