mse
Leistungsfunktion der mittleren quadratischen Abweichung
Syntax
Beschreibung
Tipp
Um die mittlere quadratische Abweichung (MSE) mit Deep Learning zu verwenden, verwenden Sie regressionLayer
oder verwenden Sie die MSE der dlarray
-Methode.
nimmt ein neuronales Netz, perf
= mse(net
,t
,y
,ew
)net
, eine Matrix oder ein Zellen-Array von Zielen, t
, eine Matrix oder ein Zellen-Array von Ausgaben, y
, und Fehlergewichte, ew
, und gibt die mittlere quadratische Abweichung zurück.
Diese Funktion hat zwei optionale Parameter, die mit Netzen verbunden sind, deren net.trainFcn
auf diese Funktion gesetzt ist:
'regularization'
kann auf einen beliebigen Wert zwischen 0 und 1 gesetzt werden. Je größer der Regularisierungswert ist, desto mehr quadrierte Gewichte und Verzerrungen werden in die Leistungsberechnung im Verhältnis zu den Fehlern einbezogen. Der Standardwert ist 0, d. h. keine Regularisierung.Für
'normalization'
sind folgende Einstellungen möglich:'none'
(Standard);'standard'
, wodurch Fehler zwischen -2 und 2 normalisiert werden, was einer Normalisierung der Ausgänge und Ziele zwischen -1 und 1 entspricht; und'percent'
, wodurch Fehler zwischen -1 und 1 normalisiert werden. Diese Funktion ist für Netze mit Mehrelementausgängen nützlich. Sie sorgt dafür, dass die relative Genauigkeit von Ausgangselementen mit unterschiedlichen Sollwertbereichen als gleich wichtig behandelt wird, anstatt die relative Genauigkeit des Ausgangselements mit dem größten Sollwertbereich zu bevorzugen.
Sie können ein Standardnetz erstellen, das mse
mit feedforwardnet
oder cascadeforwardnet
verwendet. Zur Vorbereitung eines benutzerdefinierten Netzes für das Training mit mse
setzen Sie net.performFcn
auf 'mse'
. Dies setzt net.performParam
automatisch auf eine Struktur mit den Standardwerten der optionalen Parameter.
mse
ist eine Netzleistungsfunktion. Sie misst die Leistung des Netzes anhand des Mittelwerts der quadrierten Fehler.
Beispiele
Eingabeargumente
Ausgangsargumente
Versionsverlauf
Eingeführt vor R2006a