La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Neural Net Fitting

Résoudre un problème d’ajustement avec des réseaux feedforward à deux couches

Description

L’application Neural Net Fitting vous permet de créer, visualiser et entraîner un réseau feedfoward à deux couches pour résoudre des problèmes d’ajustement de données.

Avec cette application, vous pouvez :

• Importer des données depuis un fichier, l’espace de travail MATLAB^® ou utiliser un des exemples de jeux de données.

• Répartir les données entre les jeux d’apprentissage, de validation et de test.

• Définir et entraîner un réseau de neurones.

• Évaluer les performances du réseau avec une erreur quadratique moyenne et une analyse de régression.

• Analyser les résultats avec des tracés de visualisation, comme une régression ou un histogramme d’erreurs.

• Générer des scripts MATLAB pour reproduire des résultats et personnaliser le processus d’apprentissage.

• Générer des fonctions adaptées à un déploiement avec des outils MATLAB Compiler™ et MATLAB Coder™ et les exporter vers Simulink^® pour une utilisation avec Simulink Coder.

×

Ouvrir l'application Neural Net Fitting

• Barre d’outils MATLAB : dans l’onglet Apps, dans la section Machine Learning and Deep Learning, cliquez sur l’icône de l’application.

• Invite de commande MATLAB : saisissez nftool.

Exemples

• Ajuster des données avec un réseau de neurones peu profond

Algorithmes

L’application Neural Net Fitting propose des algorithmes d’apprentissage prédéfinis que vous pouvez utiliser pour entraîner votre réseau de neurones.

Algorithme d’apprentissage	Description
Levenberg-Marquardt	Mettre à jour les valeurs de poids et de biais selon l’optimisation de Levenberg-Marquardt. L’apprentissage de Levenberg-Marquardt est souvent l’algorithme d’apprentissage le plus rapide, bien qu’il nécessite davantage de mémoire que d’autres techniques. Pour implémenter cet algorithme, l’application Neural Net Fitting utilise la fonction trainlm.
Régularisation bayésienne	La régularisation bayésienne met à jour les valeurs de poids et de biais selon l’optimisation de Levenberg-Marquardt. Elle minimise ensuite une combinaison d’erreurs quadratiques et de poids et détermine la combinaison correcte afin de produire un réseau avec une bonne généralisation. Cet algorithme prend généralement plus de temps mais généralise bien les jeux de données bruités ou de petite taille. Pour implémenter cet algorithme, l’application Neural Net Fitting utilise la fonction trainbr.
Rétropropagation du gradient conjugué à l’échelle	La rétropropagation du gradient conjugué à l’échelle met à jour les valeurs des poids et des biais selon la méthode du gradient conjugué à l’échelle. Pour des problèmes de grande dimension, le gradient conjugué à l’échelle est recommandé, car il utilise des calculs de gradient qui consomment moins de mémoire que les calculs jacobiens utilisés par la régularisation de Levenberg-Marquardt ou bayésienne. Pour implémenter cet algorithme, l’application Neural Net Fitting utilise la fonction trainscg.

Voir aussi

Applications

• Neural Net Time Series | Neural Net Clustering | Neural Net Pattern Recognition

Fonctions

• fitnet | feedforwardnet | trainlm | trainscg | trainbr