regression

(Zu entfernen) Durchführen einer linearen Regression flacher Netzausgänge an Zielen

regression wird zukünftig entfernt. Weitere Informationen finden Sie unter Versionsverlauf.

Syntax

[r,m,b] = regression(t,y)

[r,m,b] = regression(t,y,'one')

Beschreibung

[r,m,b] = regression(t,y) berechnet die lineare Regression zwischen allen Elementen der Netzantwort und dem entsprechenden Ziel.

Diese Funktion akzeptiert ein Zellen-Array oder Matrixziel t und einen Ausgang y, die jeweils über N Matrixzeilen verfügen, und gibt die Regressionswerte r, die Steigung der Regressionsanpassung m und die y-Schnittpunkte b für jede der N Matrixzeilen aus.

[r,m,b] = regression(t,y,'one') kombiniert alle Matrixzeilen vor der Regression und gibt einzelne Skalar-Regressions-, Steigungs- und Versatzwerte aus.

Beispiele

Anpassen des Regressionsmodells und Darstellen angepasster Werte gegenüber Zielen

Dieses Beispiel zeigt, wie Sie ein Feed-Forward-Netz trainieren und die Regression zwischen Zielen und Ausgängen berechnen und darstellen können.

Laden Sie die Trainingsdaten.

[x,t] = simplefit_dataset;

Die 1x94-Matrix x enthält die Eingabewerte und die 1x94-Matrix t enthält die zugehörigen Ziel-Ausgabewerte.

Konstruieren Sie ein neuronales Feedforward-Netz mit einer verborgenen Schicht der Größe 20.

net = feedforwardnet(20);

Trainieren Sie das Netz net unter Verwendung der Trainingsdaten.

net = train(net,x,t);

Schätzen Sie die Ziele mithilfe des trainierten Netzes.

y = net(x);

Berechnen Sie die Regression zwischen Zielen und Ausgängen und stellen Sie diese dar.

[r,m,b] = regression(t,y)

r = 
1.0000

m = 
1.0000

b = 
1.0878e-04

plotregression(t,y)

Eingabeargumente

t — Ziel

Matrix | Zellen-Array

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

y — Ausgang

Skalar

Netzausgänge, angegeben als Matrix oder Zellen-Array.

Ausgangsargumente

r — Regressionswert

Skalar

Regressionswert, ausgegeben als Skalar.

m — Steigung

Skalar

Steigung der Regressionsanpassung, ausgegeben als Skalar.

b — Versatz

Skalar

Versatz der Regressionsanpassung, ausgegeben als Skalar.

Versionsverlauf

Eingeführt in R2010b

R2026a: regression wird zukünftig entfernt.

regression wird in einer zukünftigen Version entfernt.

Um ein neuronales Netz mit Tabellendaten zu trainieren, verwenden Sie eine der folgenden Funktionen:

• fitrnet (Statistics and Machine Learning Toolbox) – Trainiert ein neuronales Regressionsnetz. Verwenden Sie diese Funktion für einfache Regressionsaufgaben.

• fitcnet (Statistics and Machine Learning Toolbox) – Trainiert ein neuronales Klassifizierungsnetz. Verwenden Sie diese Funktion für einfache Klassifizierungsaufgaben.

• trainnet – Trainiert ein neuronales Netz. Verwenden Sie diese Funktion, wenn die Funktionen fitrnet und fitcnet nicht die für Ihre Aufgabe benötigten Trainingsoptionen bieten.

Um ein neuronales Netz mit Zeitreihendaten zu trainieren, verwenden Sie eine der folgenden Optionen:

• Time Series Modeler-App – Interaktive Entwicklung und interaktives Training von neuronalen Netzen für Zeitreihendaten.

• trainnet – Trainiert ein neuronales Netz. Verwenden Sie diese Funktion, wenn Sie mehr Flexibilität in der Netzarchitektur oder Ihrem Trainingsalgorithmus benötigen.

Um Ihr eigenes neuronales Netz für diese Workflows zu entwerfen und anzupassen, können Sie ein Netz mithilfe eines Arrays aus Deep-Learning-Schichten oder eines dlnetwork-Objekts erstellen. Um neuronale Netze interaktiv zu erstellen und zu bearbeiten und Code zu generieren, verwenden Sie die App Deep Network Designer. Mehr über Erstellungs-Workflows für neuronale Netze erfahren Sie in den folgenden Beispielen und Themen:

• Build Networks with Deep Network Designer

• List of Deep Learning Layers

• Example Deep Learning Network Architectures

• Multiple-Input and Multiple-Output Networks

• Define Custom Deep Learning Layers

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

R2020b: regression wird nicht empfohlen.

regression wird nicht empfohlen. Um ein lineares Regressionsmodell anzupassen, verwenden Sie stattdessen fitlm (Statistics and Machine Learning Toolbox).

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