ニューラル ネット フィッティング

(削除予定) 2 層フィードフォワード ネットワークを使用した近似問題の求解

ニューラル ネット フィッティング アプリは将来のリリースで削除される予定です。詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

コードの更新に関するアドバイスについては、バージョン履歴を参照してください。

説明

ニューラル ネット フィッティング アプリでは、データ近似問題を解くために、2 層フィードフォワード ネットワークの作成、可視化、学習ができます。

このアプリを使って次のことを実行できます。

  • ファイルまたは MATLAB® ワークスペースからデータをインポートするか、サンプル データ セットの 1 つを使用する。

  • 学習セット、検証セット、およびテスト セットへのデータの分割。

  • ニューラル ネットワークの定義と学習。

  • 平均二乗誤差と回帰分析を使用したネットワーク性能の評価。

  • 回帰近似や誤差のヒストグラムなどの可視化プロットの使用による結果の解析。

  • 結果を再現したり、学習プロセスをカスタマイズしたりするための MATLAB スクリプトの生成。

  • MATLAB Compiler™ および MATLAB Coder™ ツールによる展開に適した関数の生成、および Simulink® Coder での使用に向けた Simulink へのエクスポート。

ヒント

深層学習ニューラル ネットワークを対話的に構築して可視化するには、ディープ ネットワーク デザイナー アプリを使用します。詳細については、ディープ ネットワーク デザイナー入門を参照してください。

Neural Net Fitting app

ニューラル ネット フィッティング アプリを開く

  • R2026a より前: MATLAB ツールストリップ: [アプリ] タブの [機械学習および深層学習] にあるアプリ アイコンをクリックします。

  • MATLAB コマンド プロンプト: nftool と入力します。

アルゴリズム

ニューラル ネット フィッティングアプリには、ニューラル ネットワークに学習させるために使用できる組み込み学習アルゴリズムが用意されています。

学習アルゴリズム説明
レーベンバーグ・マルカート法

レーベンバーグ・マルカート法の最適化に従って重みとバイアスの値を更新します。レーベンバーグ・マルカート学習は、他の手法よりも多くのメモリを必要としますが、多くの場合、最も高速な学習アルゴリズムです。

このアルゴリズムを実装するために、ニューラル ネット フィッティング アプリでは trainlm 関数を使用しています。

ベイズ正則化

ベイズ正則化は、レーベンバーグ・マルカート法の最適化に従って重みとバイアスの値を更新します。その後、誤差と重みの二乗の結合を最小化して、正しい結合を判定し、適切に汎化を行うネットワークを生成します。このアルゴリズムは通常、時間がかかりますが、ノイズを含むデータ セットや小さなデータ セットに汎化するのに適しています。

このアルゴリズムを実装するために、ニューラル ネット フィッティング アプリでは trainbr 関数を使用しています。

スケーリング共役勾配法逆伝播

スケーリング共役勾配法逆伝播は、スケーリング共役勾配法に従って重みとバイアスの値を更新します。大規模な問題では、スケーリング共役勾配法を使用することを推奨します。この方法では、レーベンバーグ・マルカートまたはベイズ正則化で使用されるヤコビアン計算よりもメモリ効率の高い勾配計算が使用されるためです。

このアルゴリズムを実装するために、ニューラル ネット フィッティング アプリでは trainscg 関数を使用しています。

バージョン履歴

すべて折りたたむ

参考

| (Statistics and Machine Learning Toolbox) | | | | (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) | | |

トピック