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