mae

(Zu entfernen) Leistungsfunktion der mittleren absoluten Abweichung

mae wird in einer zukünftigen Version entfernt. Weitere Informationen finden Sie unter Transition Legacy Neural Network Code to dlnetwork Workflows.

Ratschläge zur Aktualisierung Ihres Codes finden Sie unter Versionsverlauf.

Syntax

perf = mae(E,Y,X)

dPerf_dx = mae('dx',E,Y,X,perf)

info = mae('code')

Beschreibung

Tipp

Um die mittlere absolute Abweichung mit Deep Learning zu verwenden, verwenden Sie die trainnet-Funktion und setzen Sie die Verlustfunktion auf "mae" oder verwenden Sie bei dlarray-Objekten die l1loss-Funktion.

perf = mae(E,Y,X) akzeptiert eine Matrix oder ein Zellen-Array aus Abweichungsvektoren E und optional eine Matrix oder ein Zellen-Array aus Ausgangvektoren Y, einen Vektor aller Gewichtungs- und Verzerrungswerte X und gibt die Netzleistung als Mittel der absoluten Abweichung perf an.

dPerf_dx = mae('dx',E,Y,X,perf) gibt die Ableitung von perf bezüglich X an.

info = mae('code') gibt nützliche Informationen zu jedem code-Zeichenvektor aus:

• mae('name') gibt den Namen dieser Funktion aus.

• mae('pnames') gibt die Namen der Trainingsparameter aus.

• mae('pdefaults') gibt die Standard-Funktionsparameter aus.

Beispiele

Berechnen der Netzleistung mit 'mae'

Dieses Beispiel zeigt, wie Sie die Netzleistung als Mittel der absoluten Abweichung berechnen können.

Erstellen und konfigurieren Sie ein Perzeptron mit einem Eingang und einem Neuron:

net = perceptron;
net = configure(net,0,0);

Das Netz wird als Batch von Eingängen P ausgegeben. Die Abweichung wird berechnet, indem der Ausgang A vom Ziel T abgezogen wird. Daraufhin wird die mittlere absolute Abweichung berechnet.

p = [-10 -5 0 5 10];
t = [0 0 1 1 1];
y = net(p)
e = t-y
perf = mae(e)

Beachten Sie, dass mae nur mit einem Argument aufgerufen werden kann, da die anderen Argumente ignoriert werden. mae unterstützt diese Argumente, um der Standard-Argumentliste für Leistungsfunktionen zu entsprechen.

Eingabeargumente

E — Abweichungen

Vektor | Matrix | Zellen-Array

Ziele, angegeben als Vektor, Matrix oder Zellen-Array.

Y — Ausgänge

Vektor | Matrix | Zellen-Array

Netzausgänge, angegeben als Vektor-, Matrix- oder Zellen-Array.

X — Gewichtung und Verzerrung

Vektor

Gewichtungs- und Verzerrungswerte, angegeben als Vektor.

Ausgangsargumente

perf — Netzleistung

Skalar

Netzleistung als Mittel der absoluten Abweichungen, ausgegeben als Skalar.

dPerf_dx — Ableitung der Netzleistung

Skalar

Ableitung von perf bezüglich X, ausgegeben als Skalar.

Mehr über

Verwendung von Netzen

Sie können ein Standardnetz erstellen, das mae mit perceptron verwendet.

Zur Vorbereitung eines benutzerdefinierten Netzes für das Training mit mae setzen Sie net.performFcn auf 'mae'. Dies setzt net.performParam automatisch auf die leere Matrix [], da mae keine Leistungsparameter aufweist.

In jedem Fall können Sie train oder adapt aufrufen, um mae zur Berechnung der Leistung zu verwenden.

Versionsverlauf

Eingeführt vor R2006a

mae wird zukünftig entfernt.

mae wird in einer zukünftigen Version entfernt.

Mehr über die Verwendung von Metriken und Verlustfunktionen beim Trainieren neuronaler Netze erfahren Sie in den folgenden Beispielen und Themen:

• Deep Learning Metrics

• Custom Loss Functions

• Überwachen des Deep-Learning-Trainingsfortschritts

• ROC Curve and Performance Metrics

Geben Sie bei dlnetwork-Objekten den MAE-Verlust (Mean Absolute Error, mittlere absolute Abweichung) an, indem Sie das Argument lossFcn der Funktion trainnet auf "mae" setzen. Verwenden Sie für benutzerdefinierte Verlustfunktionen und Trainingsschleifen die l1loss-Funktion.

Weitere Informationen finden Sie unter Transition Legacy Neural Network Code to dlnetwork Workflows.

Siehe auch

Time Series Modeler | fitrnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork | l1loss

Themen

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows