plotfit

(Zu entfernen) Darstellen der Funktionsanpassung

plotfit 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

plotfit(net,inputs,targets)

plotfit(net,inputs1,targets1,name1,inputs2,targets2,name2,...)

plotfit(...,'outputIndex',outputIndex)

Beschreibung

plotfit(net,inputs,targets) stellt die Ausgangsfunktion eines Netzes über den Eingangsbereich inputs hinweg dar und stellt zudem die Zieldatenpunkte targets und mit den Werten in inputs assoziierten Ausgangsdatenpunkte dar. Fehlerbalken zeigen den Unterschied zwischen Ausgängen und targets.

Das Diagramm erscheint nur bei Netzen mit einem Eingang.

Wenn das Netz mehr als einen Ausgang hat, wird nur der erste Ausgang/die ersten Ziele angezeigt.

plotfit(net,inputs1,targets1,name1,inputs2,targets2,name2,...) stellt mehrere Datensätze dar.

plotfit(...,'outputIndex',outputIndex) nutzt für die Darstellung einen optionalen Parameter, der den Standardindex des Ausgabeelements überschreibt.

Beispiele

Darstellen von Ausgabe- und Zielwerten

Dieses Beispiel zeigt, wie Sie ein einfaches Anpassungsproblem mit einem Feed-Forward-Netz lösen können.

[x,t] = simplefit_dataset;
net = feedforwardnet(10);
net = train(net,x,t);
plotfit(net,x,t)

Eingabeargumente

net — Eingangsnetz

Netzobjekt

Eingangsnetz, angegeben als Netzobjekt. Um ein Netzobjekt zu erstellen, verwenden Sie beispielsweise feedforwardnet oder narxnet.

inputs — Netzeingänge

Matrix | Zellen-Array

Netzeingänge, angegeben als Matrix oder Zellen-Array.

targets — Ziele des Netzes

Matrix | Zellen-Array

Ziele des Netzes, angegeben als Matrix oder Zellen-Array.

Versionsverlauf

Eingeführt in R2008a

R2026a: plotfit wird zukünftig entfernt.

plotfit wird in einer zukünftigen Version entfernt.

Mehr über Visualisierungs-Workflows erfahren Sie in den folgenden Beispielen und Themen:

• Deep Learning Visualization Methods

• Explore Network Predictions Using Deep Learning Visualization Techniques

• Deep Learning Metrics

• Überwachen des Deep-Learning-Trainingsfortschritts

• ROC Curve and Performance Metrics

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

Siehe auch

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

Themen

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