Neural networks are good at fitting

Neural networks are good at fitting functions. In fact, there is proof that a fairly simple neural network can fit any practical function.

Suppose, for instance, that you have data from a housing application. You want to design a network that can predict the value of a house (in $1000s), given 13 pieces of geographical and real estate information. You have a total of 506 example homes for which you have those 13 items of data and their associated market values.

You can solve this problem in two ways:

Use a graphical user interface, nftool, as described in Using the Neural Network Fitting Tool.
Use command-line functions, as described in Using Command-Line Functions.
It is generally best to start with the GUI, and then to use the GUI to automatically generate command-line scripts. Before using either method, first define the problem by selecting a data set. Each GUI has access to many sample data sets that you can use to experiment with the toolbox (see Neural Network Toolbox Sample Data Sets). If you have a specific problem that you want to solve, you can load your own data into the workspace. The next section describes the data format.

Defining a Problem
To define a fitting problem for the toolbox, arrange a set of Q input vectors as columns in a matrix. Then, arrange another set of Q target vectors (the correct output vectors for each of the input vectors) into a second matrix (see "Data Structures" for a detailed description of data formatting for static and time series data). For example, you can define the fitting problem for a Boolean AND gate with four sets of two-element input vectors and one-element targets as follows:

Kết quả (Việt) 1:

Mạng nơ-ron là tốt lúc lắp chức năng. Trong thực tế, đó là bằng chứng rằng một mạng nơ-ron khá đơn giản có thể phù hợp với bất kỳ chức năng thực tế.Giả sử, ví dụ, rằng bạn có dữ liệu từ một ứng dụng nhà ở. Bạn muốn để thiết kế một mạng có thể dự đoán giá trị của một ngôi nhà (ở $1000s), 13 miếng của địa lý và thông tin bất động sản. Bạn có một tổng số là 506 ví dụ nhà mà bạn có các mục 13 của dữ liệu và giá trị thị trường liên kết của họ.Bạn có thể giải quyết vấn đề này theo hai cách:Sử dụng một giao diện người dùng đồ họa, nftool, như được mô tả trong việc sử dụng công cụ phù hợp mạng nơ-ron.Sử dụng chức năng dòng lệnh, như được mô tả bằng cách sử dụng chức năng dòng lệnh.Đó là nói chung tốt nhất để bắt đầu với giao diện, và sau đó sử dụng GUI để tự động tạo ra các kịch bản dòng lệnh. Trước khi sử dụng một trong hai phương pháp, trước tiên xác định vấn đề bằng cách chọn một tập hợp dữ liệu. Mỗi GUI có quyền truy cập vào nhiều bộ dữ liệu mẫu mà bạn có thể sử dụng để thử nghiệm với hộp công cụ (xem thần kinh mạng hộp công cụ mẫu dữ liệu bộ). Nếu bạn có một vấn đề cụ thể mà bạn muốn giải quyết, bạn có thể tải dữ liệu của bạn vào workspace. Phần tiếp theo mô tả định dạng dữ liệu.Xác định một vấn đềĐể xác định một vấn đề phù hợp cho hộp công cụ, sắp xếp một tập hợp các Q đầu vào vectơ là cột trong một ma trận. Sau đó, sắp xếp một tập hợp các Q mục tiêu vector (các vectơ chính xác đầu ra cho mỗi người trong số các vectơ đầu vào) vào một ma trận thứ hai (xem "Cấu trúc dữ liệu" cho một mô tả chi tiết của dữ liệu định dạng cho tĩnh và thời gian dòng dữ liệu). Ví dụ, bạn có thể xác định vấn đề phù hợp cho một cửa khẩu Boolean và với bốn tập hợp hai vectơ đầu vào và mục tiêu một trong những yếu tố như sau:

Kết quả (Việt) 2:

Mạng lưới thần kinh là tốt tại các hàm thích hợp. Trong thực tế, có bằng chứng cho thấy một mạng lưới thần kinh khá đơn giản có thể phù hợp với bất kỳ chức năng thực tế. Giả sử, ví dụ, rằng bạn có dữ liệu từ một ứng dụng nhà ở. Bạn muốn thiết kế một mạng lưới có thể dự đoán giá trị của một ngôi nhà (trong $ 1000), được 13 mẩu thông tin địa lý và bất động sản. Bạn có tổng cộng 506 nhà ví dụ mà bạn có những 13 hạng mục dữ liệu và giá trị thị trường liên quan của họ. Bạn có thể giải quyết vấn đề này theo hai cách: Sử dụng một giao diện người dùng đồ họa, nftool, như được mô tả trong Sử dụng công cụ Lắp Neural Network. Sử dụng chức năng dòng lệnh, như được mô tả trong Sử dụng dòng lệnh chức năng. Nó thường là tốt nhất để bắt đầu với giao diện đồ họa, và sau đó sử dụng các giao diện để tự động tạo ra các kịch bản dòng lệnh. Trước khi sử dụng một trong hai phương pháp, đầu tiên xác định các vấn đề bằng cách lựa chọn một tập dữ liệu. Mỗi giao diện có quyền truy cập vào nhiều bộ dữ liệu mẫu mà bạn có thể sử dụng để thử nghiệm với các hộp công cụ (xem Neural Network Toolbox dữ liệu mẫu Sets). Nếu bạn có một vấn đề cụ thể mà bạn muốn giải quyết, bạn có thể tải dữ liệu riêng của bạn vào không gian làm việc. Phần tiếp theo mô tả các định dạng dữ liệu. Xác định một vấn đề Để xác định một vấn đề phù hợp cho các hộp công cụ, sắp xếp một tập hợp các Q vectơ đầu vào như là các cột trong một ma trận. Sau đó, hãy sắp xếp một tập các vectơ mục tiêu Q (các vectơ đầu ra chính xác cho mỗi vector đầu vào) vào một ma trận thứ hai (xem "Cấu trúc dữ liệu" cho một mô tả chi tiết các dữ liệu định dạng cho dữ liệu chuỗi tĩnh và thời gian). Ví dụ, bạn có thể xác định các vấn đề phù hợp cho một Boolean AND cửa khẩu với bốn bộ của vectơ đầu vào hai yếu tố và các mục tiêu một phần tử như sau: