Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Neural Net Fitting

Resolver un problema de ajuste utilizando redes prealimentadas de dos capas

Descripción

La app Neural Net Fitting permite crear, visualizar y entrenar una red prealimentada de dos capas para resolver problemas de ajuste de datos.

Con esta app, puede:

  • Importar datos de un archivo o del espacio de trabajo de MATLAB®, o utilizar uno de los conjuntos de datos de ejemplo.

  • Dividir datos en conjuntos de entrenamiento, validación y prueba.

  • Definir y entrenar una red neuronal.

  • Evaluar el rendimiento de la red utilizando el error cuadrático medio y el análisis de regresión.

  • Analizar resultados utilizando gráficas de visualización, como de ajuste de regresión o histograma de errores.

  • Generar scripts de MATLAB para reproducir resultados y personalizar el proceso de entrenamiento.

  • Generar funciones adecuadas para el despliegue con las herramientas MATLAB Compiler™ y MATLAB Coder™, y exportarlas a Simulink® para su uso con Simulink Coder.

Nota

Para crear, visualizar y entrenar redes neuronales de deep learning de forma interactiva, utilice la app Deep Network Designer. Para obtener más información, consulte Introducción a Deep Network Designer.

Neural Net Fitting app

Abrir la aplicación Neural Net Fitting

  • Barra de herramientas de MATLAB: En la pestaña Apps, en Machine Learning and Deep Learning, haga clic en el icono de la app.

  • Línea de comandos de MATLAB: Introduzca la función nftool.

Algoritmos

La app Neural Net Fitting proporciona algoritmos de entrenamiento integrados que puede utilizar para entrenar la red neuronal.

Algoritmo de entrenamientoDescripción
Levenberg-Marquardt

Actualiza los valores de peso y sesgo de acuerdo con la optimización de Levenberg-Marquardt. El entrenamiento de Levenberg-Marquardt es, con frecuencia, el algoritmo de entrenamiento más rápido, a pesar de que requiere más memoria que otras técnicas.

Para implementar este algoritmo, la app Neural Net Fitting utiliza la función trainlm.

Regularización bayesiana

La regularización bayesiana actualiza los valores de peso y sesgo de acuerdo con la optimización de Levenberg-Marquardt. Después, minimiza una combinación de errores cuadráticos y pesos, y determina la combinación correcta para producir una red que generalice bien. Este algoritmo suele tardar más, pero generaliza bien en conjuntos de datos con ruido o pequeños.

Para implementar este algoritmo, la app Neural Net Fitting utiliza la función trainbr.

Retropropagación de gradiente conjugado escalado

La retropropagación de gradiente conjugado escalado actualiza los valores de peso y sesgo de acuerdo con el método de gradiente conjugado escalado. Se recomienda el gradiente conjugado escalado para problemas grandes, ya que utiliza cálculos de gradientes que son más eficientes que los cálculos jacobianos que utiliza la regularización de Levenberg-Marquardt o bayesiana.

Para implementar este algoritmo, la app Neural Net Fitting utiliza la función trainscg.