このページは機械翻訳を使用して翻訳されました。最新版の英語を参照するには、ここをクリックします。

ニューラルネットワークの誤差のヒストグラムのプロット

この例では次を使用します。

スクリプトを開く

この例では、フィードフォワード ニューラル ネットワークをトレーニングした後、ターゲット値と予測値間のエラーを可視化する方法を示します。

気象ステーション ThingSpeak™チャネルからデータを読み取る

ThingSpeak チャネル 12397 には、マサチューセッツ州ネイティックにある MathWorks® 気象計からのデータが含まれています。データは 1 分ごとに収集されます。フィールド 2、3、4、6 には、それぞれ風速 (mph)、相対湿度、温度 (F)、大気圧 (inHg) のデータが含まれます。thingSpeakRead 関数を使用してチャネル12397 からデータを読み取ります。

data = thingSpeakRead(12397,'Fields',[2 3 4 6],'Numpoints',500,'outputFormat','table');

入力変数とターゲット値を割り当てる

入力変数を割り当て、温度と相対湿度から露点を計算してターゲットとして使用します。温度を華氏から摂氏に変換し、水蒸気 (b) と気圧 (c) の定数を指定します。中間値「ガンマ」を計算し、ネットワークにターゲット値を割り当てます。

inputs = [data.Humidity'; data.TemperatureF'; data.PressureHg'; data.WindSpeedmph'];
tempC = (5/9)*(data.TemperatureF-32);
b = 17.62;
c = 243.5;
gamma = log(data.Humidity/100) + b*tempC ./ (c+tempC);
dewPointC = c*gamma ./ (b-gamma);
dewPointF = (dewPointC*1.8) + 32;
targets = dewPointF';

2層フィードフォワードネットワークの作成とトレーニング

feedforwardnet 関数を使用して、2 層のフィードフォワード ネットワークを作成します。ネットワークには、10 個のニューロンを持つ 1 つの隠し層と 1 つの出力層があります。train 関数を使用して、入力を使用してフィードフォワード ネットワークをトレーニングします。

net = feedforwardnet(10);
[net,tr] = train(net,inputs,targets);

トレーニング済みモデルを使用してデータを予測する

ネットワークのトレーニングと検証が完了したら、ネットワーク オブジェクトを使用して、任意の入力 (この場合は 5 番目の入力データ ポイントの露点) に対するネットワーク応答を計算できます。

outputs = net(inputs(:,5))

outputs =

   22.8618

誤差のヒストグラムをプロットする

目標値と予測値の差としてエラー値を計算します。

error = targets - outputs;
number_of_bins = 10;
ploterrhist(error,'bins',number_of_bins);

プロットには、10 個のビンを持つ誤差のヒストグラムが表示されます。

参考

関数