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.

Redes neuronales

Redes neuronales para clasificación binaria y multiclase

Los modelos de redes neuronales se estructuran en una serie de capas que reflejan la manera en que el cerebro procesa la información. Los clasificadores de redes neuronales disponibles en Statistics and Machine Learning Toolbox™ son redes neuronales predictivas interconectadas en las que puede ajustar el tamaño de las capas interconectadas y modificar las funciones de activación de las mismas.

Para entrenar un modelo de clasificación de redes neuronales, utilice la app Classification Learner. Para mayor flexibilidad, entrene un clasificador de redes neuronales mediante fitcnet en la interfaz de línea de comandos. Tras el entrenamiento, puede clasificar los nuevos datos pasando el modelo y los nuevos datos de los predictores a predict.

Si desea crear redes de deep learning más complejas y cuenta con Deep Learning Toolbox™, puede probar la app Deep Network Designer (Deep Learning Toolbox).

Apps

Classification Learner

Entrenar modelos para clasificar datos usando machine learning supervisado

Bloques

ClassificationNeuralNetwork Predict

Classify observations using neural network classification model (desde R2021b)

Funciones

expandir todo

Crear un modelo de red neuronal

`fitcnet`	Train neural network classification model (desde R2021a)
`compact`	Reduce size of machine learning model

Interpretar una predicción

`lime`	Local interpretable model-agnostic explanations (LIME) (desde R2020b)
`partialDependence`	Compute partial dependence (desde R2020b)
`permutationImportance`	Predictor importance by permutation (desde R2024a)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`shapley`	Shapley values (desde R2021a)

Realizar una validación cruzada

`crossval`	Cross-validate machine learning model
`kfoldLoss`	Classification loss for cross-validated classification model
`kfoldPredict`	Classify observations in cross-validated classification model
`kfoldEdge`	Classification edge for cross-validated classification model
`kfoldMargin`	Classification margins for cross-validated classification model
`kfoldfun`	Cross-validate function for classification

Medir el rendimiento

`loss`	Classification loss for neural network classifier (desde R2021a)
`resubLoss`	Resubstitution classification loss
`edge`	Classification edge for neural network classifier (desde R2021a)
`margin`	Classification margins for neural network classifier (desde R2021a)
`resubEdge`	Resubstitution classification edge
`resubMargin`	Resubstitution classification margin

Clasificar observaciones

`predict`	Classify observations using neural network classifier (desde R2021a)
`resubPredict`	Classify training data using trained classifier

Objetos

`ClassificationNeuralNetwork`	Neural network model for classification (desde R2021a)
`CompactClassificationNeuralNetwork`	Compact neural network model for classification (desde R2021a)
`ClassificationPartitionedModel`	Cross-validated classification model

Temas

Assess Neural Network Classifier Performance
Use fitcnet to create a feedforward neural network classifier with fully connected layers, and assess the performance of the model on test data.
Train Neural Network Classifiers Using Classification Learner App
Create and compare neural network classifiers, and export trained models to make predictions for new data.
Compress Machine Learning Model for Memory-Limited Hardware
Reduce model size by feature selection, constrained Bayesian optimization, and parameter quantization.