construction d'un réseau de neurones à 1 couche cachée et avec biais
result=nns_buildbayes(wh_in,wo_in,x,y, (options))
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
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
données d'étalonnage
x est une matrice de dimensions (n x q) ou une structure Div
valeurs de référence, à prédire
y est une matrice de dimensions (n x no) ou une structure Div
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)
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
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
estimation de l'écart-type des résidus
result.stdres est une structure Div
result.stdres.d est un vecteur de dimensions (1 x no)
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)
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