Neuronale Netze

Neuronale Netze für Regression

Neuronale Netze sind als Serie von Schichten strukturiert, die die Informationsverarbeitung des Gehirns nachahmen. Die neuronalen Regressionsnetzmodelle in Statistics and Machine Learning Toolbox™ sind vollständig vernetzte neuronale Feed-Forward-Netze, bei denen Sie die Größe der vollständig vernetzten Schichten anpassen und die Aktivierungsfunktionen der Schichten ändern können.

Verwenden Sie die App Regression Learner, um ein neuronales Regressionsnetz zu trainieren. Die App bietet mehrere Typen vollständig vernetzter Netze. Wenn Sie über Deep Learning Toolbox™ verfügen, können Sie zudem anpassbare neuronale Netzmodelle bearbeiten und trainieren. Weitere Informationen finden Sie unter Choose Model Options In Regression Learner.

Für höhere Flexibilität können Sie mithilfe von fitrnet über die Befehlszeile ein neuronales Regressionsnetz trainieren. Nach dem Training können Sie die Antworten für neue Daten vorhersagen, indem Sie das Modell und die neuen Prädiktordaten an predict übergeben.

Wenn Sie komplexere Deep-Learning-Netze erstellen möchten und über Deep Learning Toolbox verfügen, können Sie es mit der App Deep Network Designer (Deep Learning Toolbox) versuchen.

Apps

Regression Learner

Train regression models to predict data using supervised machine learning

Blöcke

RegressionNeuralNetwork Predict

Predict responses using neural network regression model (Seit R2021b)

Funktionen

alle erweitern

Erstellen eines neuronalen Netzmodells

`fitrnet`	Train neural network regression model
`compact`	Reduce size of machine learning model
`fitrqnet`	Train regression quantile neural network (Seit R2024b)

Auswerten der Vorhersage

`lime`	Local interpretable model-agnostic explanations (LIME)
`partialDependence`	Compute partial dependence
`permutationImportance`	Predictor importance by permutation (Seit R2024a)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`shapley`	Shapley values

Kreuzvalidieren

`crossval`	Cross-validate machine learning model
`kfoldLoss`	Loss for cross-validated partitioned regression model
`kfoldPredict`	Predict responses for observations in cross-validated regression model
`kfoldfun`	Cross-validate function for regression
`kfoldLoss`	Loss for cross-validated partitioned quantile regression model (Seit R2025a)
`kfoldPredict`	Predict responses for observations in cross-validated quantile regression model (Seit R2025a)
`kfoldfun`	Cross-validate function for quantile regression (Seit R2025a)

Messen der Leistung

`loss`	Loss for regression neural network
`resubLoss`	Resubstitution regression loss
`loss`	Loss for quantile neural network regression model (Seit R2024b)

Vorhersagen von Antworten

`predict`	Predict responses using regression neural network
`resubPredict`	Predict responses for training data using trained regression model
`predict`	Predict response for quantile neural network regression model (Seit R2024b)

Objekte

`RegressionNeuralNetwork`	Neural network model for regression
`CompactRegressionNeuralNetwork`	Compact neural network model for regression
`RegressionPartitionedNeuralNetwork`	Cross-validated regression neural network model (Seit R2023b)
`RegressionQuantileNeuralNetwork`	Quantile neural network model for regression (Seit R2024b)
`CompactRegressionQuantileNeuralNetwork`	Compact quantile neural network model for regression (Seit R2025a)
`RegressionPartitionedQuantileNeuralNetwork`	Cross-validated quantile neural network for regression (Seit R2026a)

Themen

Assess Regression Neural Network Performance
Use fitrnet to create a feedforward regression neural network model with fully connected layers, and assess the performance of the model on test data.
Working with Quantile Regression Models
Estimate prediction intervals and create models that are robust to outliers by using quantile regression models.
Create Prediction Intervals Using Split Conformal Prediction
Create a prediction interval and use conformalized quantile regression to calibrate the prediction interval.
Deploy Neural Network Regression Model to FPGA/ASIC Platform
Predict in Simulink^® using a neural network regression model, and deploy the Simulink model to an FPGA/ASIC platform by using HDL code generation.