最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。
Neural Net Fitting | 2 層フィードフォワード ネットワークの学習によるデータの近似 |
fitnet | 関数近似ニューラル ネットワーク |
feedforwardnet | フィードフォワード ニューラル ネットワーク |
cascadeforwardnet | カスケードフォワード ニューラル ネットワーク |
train | 浅いニューラル ネットワークの学習 |
trainlm | レーベンバーグ・マルカート法逆伝播 |
trainbr | ベイズ正則化逆伝播 |
trainscg | スケーリング共役勾配法逆伝播 |
trainrp | 弾性逆伝播法 |
mse | 平均二乗正規化誤差性能関数 |
regression | 線形回帰 |
ploterrhist | Plot error histogram |
plotfit | 関数近似のプロット |
plotperform | ネットワーク性能のプロット |
plotregression | 線形回帰のプロット |
plottrainstate | Plot training state values |
genFunction | 浅いニューラル ネットワークのシミュレーション用の MATLAB 関数の生成 |
データセットにあてはめるように浅いニューラル ネットワークに学習させます。
浅い多層ニューラル ネットワークを準備します。
この例では、関数近似ニューラル ネットワークを使用して、解剖学的測定値に基づいて体脂肪率を推定する方法を説明します。
関数近似またはパターン認識に対して浅い多層ネットワークの学習を行い、そのネットワークを使用します。
ネットワーク性能の分析、学習プロセス、ネットワーク アーキテクチャ、またはデータの調整を行います。
MATLAB® ツールを使用して、学習済みの浅いニューラル ネットワークのシミュレーションと配布を行います。
浅いニューラル ネットワークの学習を配布する方法を学習します。
並列計算および GPU コンピューティングを使用したニューラル ネットワーク
ニューラル ネットワークの学習とシミュレーションを高速化し、大規模データを処理するために、並列計算および分散コンピューティングを使用します。
長時間にわたる学習の実行の成果を保護するために、中間結果を保存します。
ニューラル ネットワークの学習を効率化します。
効率的に学習を行うために入力およびターゲットを前処理します。
学習させる前の、関数 configure
を使用したネットワークの手動による構成方法を学びます。
関数を使用してデータを学習セット、検証セット、およびテスト セットに分割します。
異なるタイプの問題について学習アルゴリズムを比較します。
汎化の改善方法と過適合の防止方法について学習します。
ニューラル ネットワークに学習させるときに誤差の重み付けを使用する方法を学習します。
値の範囲が異なる複数の出力要素をあてはめる方法を学習します。
ニューラル ネットワークの設計プロセスの主要ステップについて学習します。
ニューラル ネットワークの機能を使用するさまざまなレベルについて学習します。
関数近似とパターン認識用の浅い多層フィードフォワード ニューラル ネットワーク設計のワークフロー
浅い多層ニューラル ネットワークのアーキテクチャについて学習します。
入力データ構造の形式がネットワークのシミュレーションにどのような影響を与えるかを学習します。
浅いニューラル ネットワークの機能を試す際に使用する標本データセットのリストを示します。
ネットワークの基本的特徴を定義するプロパティについて学習します。
入力、層、出力、ターゲット、バイアス、重みなど、ネットワークの詳細を定義するプロパティについて学習します。