<< (X->y) Etalonnages non linéaires (X->y) Etalonnages non linéaires nns_init >>

fact >> (X->y) Etalonnages non linéaires > nns_buildbayes

nns_buildbayes

construction d'un réseau de neurones à 1 couche cachée et avec biais

Sequence d'appel

result=nns_buildbayes(wh_in,wo_in,x,y, (options))

Paramètres

wh_in:

coefficients des neurones cachés + biais, issus de l'initialisation

wh_in est une matrice de dimensions ((q+1) x nh) ou une structure Div

nh est le nombre de neurons cachés

wo_in:

coefficients des neurones de sortie + biais, issus de l'initialisation

wo_in est une matrice de dimensions ((nh+1) x no) ou une structure Div

no est le nombre de neurones de sortie

x:

données d'étalonnage

x est une matrice de dimensions (n x q) ou une structure Div

y:

valeurs de référence, à prédire

y est une matrice de dimensions (n x no) ou une structure Div

(options_in):

options pour la construction du modèle

options_in.maxtime: durée maximale d'exécution, en secondes (défaut=300)

options_in.maxiter: nombre maximum d'itérations (défaut=10000)

options_in.displayfreq: écart entre deux itérations représentées dans une figure (défaut=10)

options_in.precresid: précision des résidus; un scalaire ou vecteur de longueur no (défaut=1e-6*stdout)

options_in.precparam: précision de chacun des paramètres effectifs; un scalaire ou vecteur de longueur nc (défaut=1e-4)

options_in.stdresmin: minimum des écarts-types des résidus; un scalaire ou vecteur de longueur no (défaut=1e-6*stdout)

options_in.stdresmax: maximum des écarts-types des résidus; un scalaire ou vecteur de longueur no (défaut=0.1*stdout)

options_in.regclass: régularisation des poids

… 0 = pas de régularisation

… 1 = une classe pour tous les poids

… 2 = deux classes: une pour les entrées, l'autre pour les sorties

… 3 = une classe pour chaque entrée, une pour les biais de la couche cachée et une pour chaque sortie (par défaut)

… 4 = une classe pour chaque poids

options_in.preproc: prétraitement avant apprentissage

… 0 = pas de prétraitement

… 1 = normalisation (somme des carrés des écarts entre les entrées et les sorties égal à n)

… 2 = standardisation (moyenne des entrées et sorties égale à 0, somme des carrés des écarts égale à n)

options_in.momentparam: ajustement du nombre effectif de paramètres dans chaque classe; entre 0 et 1 (défaut = 0.8)

result.wh_out:

coefficients des neurones cachés + biais, après calcul du modèle

result.wh_out est une matrice de dimension ((q+1) x no) ou une structure Div

nh est le nombre de neurones cachés

result.wo_out:

coefficients des neurones de sortie + biais, après calcul du modèle

result.wo_out est une matrice de dimensions ((nh + 1) x no) ou une structure Div

no est le nombre de neurones de sortie

result.stdres:

estimation de l'écart-type des résidus

result.stdres est une structure Div

result.stdres.d est un vecteur de dimensions (1 x no)

result.covw:

estimation de la matrice de variance-covariance des poids

result.covw est une structure Div

result.covw.d est une matrice de dimensions (nw x nw)

result.options_out:

options_in avec en plus les champs suivants:

result.options_out.stop: une chaine de caractères indiquant la cause de l'arrêt de l'apprentissage

result.options_out.r2: coefficient de détermination pour chaque sortie

result.options_out.wheff: rapport effectif/total du nombre de paramètres pour chaque poids de la couche cachée

result.options_out.wheff.d est une matrices de dimensions ((q+1) x nh)

result.options_out.woeff: rapport effectif/total du nombre de paramètres pour chaque poids de la couche de sortie

result.options_out.woeff.d est une matrices de dimensions ((nh+1) x no)

result.options_out.histiters: nombre d'itérations

result.options_out.histresid: erreurs résiduelles pour chaque itération

result.options_out.histresid.d est une matrice de no lignes et autant de colonnes que d'itérations

result.options_out.histparam: nombre effectif de paramètres, pour chaque classe

result.options_out.histparam.d a une colonne par classe, et autant de lignes que d'itérations

result.options_out.classnumbers: numéros de classe de chaque poids, classés dans un vecteur selon [wh(:);wo(:)]

result.options_out.totalparam: nombre total de paramètres (poids) dans chaque classe de poids

result.options_out.totalparam.d est un vecteur-ligne avec autant de colonnes que de classes

Exemples

[res]=nns_buildbayes(wh,wo,x,y)

Bibliographie

Auteurs


Report an issue
<< (X->y) Etalonnages non linéaires (X->y) Etalonnages non linéaires nns_init >>