Artificial Intelligence - هوش مصنوعی

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)

- شبکه های عصبی (Neural Networks) (http://artificial.ir/intelligence/forum10.html)

- - راهنماییم کنین (http://artificial.ir/intelligence/thread11008.html)

راهنماییم کنین

سلام
من یه تیکه کد دارم به این صورته

net=newff(minmax(totalMatrix'),[20 20 1],...
{'logsig' 'logsig' 'purelin'},'trainscg');
net.performfcn='sse';
net.trainparam.lr=0.5;
net.trainparam.mc=0.9;
net.trainparam.min_grad=0.0;
net.trainparam.mu=0.9;
net.trainparam.epochs=3000;
net.trainparam.goal=1e-30;
خب الان
از کجا بدونیم از چه پارامترهایی استفاده کنیم؟
این پارامترها چه جوری مقدار دهی شده؟اینا به صورت پش فرض اند؟
نمودارها plot regression-plot trainstateیکم توضیح بدین لطفا
خواهشا خیلی فوریه :46:

سلام . تک تک این خط ها رو در هلپ متلب جستجو بزنید , میتونید بفهمید که چی هستند

toe help zadam ama ghesmate parametr mu sho motevajeh nashoodam ? + ykam az nemodarae ke mide tozihe bishtar mikham

خط اول میگه چه توابعی داخل نرون ها باشن
خط دوم می گه معیار خطا sse باشه یعنی مجموع مربعات خطا
خط سوم میگه خط سوم تا ششم پارامترهای الگوریتم آموزشیش که اینجا scaled conjugated gradient هست رو تنظیم می کنه که زیاد مهم نیس
خط یکی مونده به آخر تعداد epoch که زیاد گذاشته همون 200 300 خوبه و خط آخر هم گفته خطا تا کجا باید بیاد. در کل هیچ چیشو نمی خواد عوض کنیدو فقط ورودی خروجی رو تو خط اول بهش بدین

در مورد نمودارها plot regression-plot trainstateهم یکم توضیح بدین لطفا

Trainstate چیز مهمی نیست ! نشون میده که اموزش چطور پیش رفته و 3 تا نمودار داره یکیش گرادیان یا تغییراتو میده که هر چی آمموزش پیش بره تغییرات کمتر میشه. تغییرات منظورم تغییر در عدد وزن ها در طول آموزش هست. نمودار دوم mu رو نشون میده که در طول آموزش چطور عوش شده. mu در الگوریتم trainlm نشون دهنده تغییرات در stepe یادگیری هست. نمودار سوم هم نشون میده که در چه epoch ی داده های validation خطاشون شروع به بالا رفتن کرده. اگر 6 تا epoch متوالی خطای داده های Validation زیاد شد آموزش متوقف میشه و وزن هایی که در شروع بالا رفتن خطا به دست امده به عنوان وزن نهایی در نظر گرفته میشه
نمودار regresion هم 4 تا میده برای داده های train test validation و یکی هم کل داده ها. هر چه شیب این نمودار ها یعنی عددی که بالای نمودار می نویسه به یک نزدیکتر باشه یعنی صحت پیش بینی بهتره. معنی این شیب هم اینه که در محور x داده های واقعی و محور y داده های پیش بینی هستند حالا اگه پیش بینی خطای صفر داشته باشه پیش بینی عدد 1 میشه 1 پیش بینی عدد 2 میشه 2 و همین طور بنابراین شیب خط میشه 1 حالا هر چه به یک شیب خط ما نزدیکتر باشه یعنی پیش بینی بهتره