详细原文介绍：
神经网络入门详解
神经网络入门随记 以及 matlab中神经网络工具箱的使用
1.思路简介
我们有一个数据，称之为样本。样本有四个属性，其中三个属性已知（特征），一个属性未知（目标）。我们需要做的就是通过三个已知属性（特征）预测未知属性（目标）。
具体办法就是使用神经元的公式进行计算。三个已知属性（特征）的值是a1，a2，a3，未知属性（目标）的值是z。z可以通过公式计算出来。
这里，已知的属性称之为特征，未知的属性称之为目标。
假设特征与目标之间确实是线性关系，并且我们已经得到表示这个关系的权值w1，w2，w3。那么，我们就可以通过神经元模型预测新样本的目标。
2.权重
连接是神经元中最重要的东西。每一个连接上都有一个权重。
一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。
在神经元模型里，每个有向箭头表示的是值的加权传递。
用a表示输入，w表示权值，在连接的末端，信号的大小就变成了a*w。
3.工具箱
（1）首先是导入数据
从MATLAB左上角处选择“主页”，再选择“导入数据”。打开文件，选择所需数据（可对导入数据组更改命名），再点击右上角“导入所选内容”。
注意：输出类型选择“数值矩阵”
（2）选择工具箱
本文工具箱选用“nftool”，即神经网络拟合（neural net fitting），可在APP内选取 or 命令行输入。
接着导入数据，注意对观测值的行列选取（此处主要是行列矩阵的一个区分吧）。它默认是列，但如果是excel导入的，一般改成行，具体因样本而异。然后点击确定，准备训练。
另外，关于神经网络层数的问题，可见链接跳转知乎专栏文章。
注意：一般训练数据默认70%（据网上资料介绍7-8都差不都），太大会过拟合，太小欠拟合。
点击训练，稍等片刻后，看“训练结果”栏
MSE：表示目标函数损失，全称检验神经网络算法的误差分析，value越低越好。
R：输出和目标之间的相关性。1表示密切关系，0表示随机关系。
另外附：
MATLAB神经网络工具箱nntool
