matlab神经网络训练结果常用评价指标

（1）Regression
下面的回归图显示了网络输出对培训、验证和测试集的目标。为了完美的配合,数据应该沿着45度的线下降,网络输出等于目标。对于这个问题,fit对所有数据集都有一定的好处,在每一个情况下,R值在0.93或以上。如果需要更准确的结果,您可以通过在nftools中单击retrain来重新训练网络。这将改变网络的初始权重和偏差,并可能在重新培训后产生一个改进的网络。其他选项在以下窗格中提供。

（2）Error histogram
蓝色棒代表训练数据,绿色棒代表验证数据,红色条表示测试数据。直方图可以给你一个异常值的指示,它是数据点,在那里,fit明显比大多数数据更糟糕。在这种情况下,你可以看到,虽然大多数错误在-5和5之间,但有一个训练点,有一个错误,17个,验证点有12和13的错误。在测试回归图上也可以看到这些异常值。第一个对应于50和产量接近33的目标。检查异常值,以确定数据是否很坏,或者如果这些数据点与数据集的其余部分不同,这是个好主意。如果异常值是有效的数据点,但与其他数据不同,那么网络就会推断出这些点。你应该收集更多的数据,看起来像局外人的点,并重新训练网络。

（3）Performance
均值平方差来确定误差10.0756；迭代次数7；
相关代码：
（1）plotfit
在输入输入的范围内绘制网络的输出函数,并绘制目标目标和与输入值相关的输出数据点。误差条显示输出和输入之间的差值，只适用于一个输入的网络。
（2）plotregression
图解(目标,输出)绘制相对于输出的目标的线性回归。

（3）plottrainstate
画出训练状态的值；分别是梯度，mu和验证参数；相当于是训练其中的权重参数，并返回；

（4）plotperformance
展示performance，将训练集、测试集和验证集参数绘制出；