划分数据以实现最优神经网络训练MATLAB

划分数据以实现最优神经网络训练MATLAB

本主题介绍典型多层网络工作流的一部分。有关详细信息和其他步骤，请参阅多层浅层神经网络与反向传播训练。多层浅层神经网络与反向传播训练
在训练多层网络时，通常的做法是首先将数据分成三个子集。第一个子集是训练集，用于计算梯度和更新网络权重及偏置。第二个子集是验证集。在训练过程中会监控基于验证集的误差。验证误差通常在训练的初始阶段减小，训练集误差也是如此。然而，当网络开始过拟合数据时，基于验证集的误差通常开始增大。网络权重和偏置以最小的验证集误差保存。这种方法在提高浅层神经网络泛化能力，避免过拟合中进行更详细的讨论。

训练期间不使用测试集误差，但测试集误差用于比较不同模型。在训练过程中绘制测试集误差也很有用。如果测试集误差与验证集误差达到最小值所需的迭代次数显著不同，这可能表示数据集的划分不佳。

可使用四个函数将数据划分为训练集、验证集和测试集。它们是 dividerand（默认值）、divideblock、divideint 和 divideind。数据划分通常在您训练网络时会自动执行。

函数 算法

dividerand 随机划分数据（默认值）

divideblock 将数据划分为连续数据块

divideint 使用交错选择划分数据

divideind 按索引划分数据

您可以使用以下属性访问或更改网络的划分函数：

net.divideFcn

每个划分函数都采用自定义其行为的参数。这些值会被存储，且可以通过以下网络属性进行