⑴ 你好 請問神經網路的預測結果與真實結果如何比較，比較圖的程序如何編寫 謝謝
看你用神經網路是來分類還是回歸。分類應用和回歸應用的結果分析手段不一樣。如果是分類，預測准確率是常用的衡量指標，稍微復雜點的有ROC曲線或者AUC值，Matlab里應該有計算ROC曲線和AUC值的現成函數，希望對你有用
⑵ MATLAB中訓練LM演算法的BP神經網路
1.初始權值不一樣，如果一樣，每次訓練結果是相同的
2.是
3.在train之前修改權值，IW,LW,b，使之相同
4.取多次實驗的均值
一點淺見，僅供參考
訓練誤差是否降到一定范圍內，比如1e-3，
將訓練樣本回代結果如何，
訓練樣本進行了預處理，比如歸一化，而測試樣本未進行同樣的處理
這樣的歸一化似有問題，我也認為「測試數據的歸一化也用訓練數據歸一化時得出的min和max值」，
請參考這個帖子http://www.ilovematlab.cn/thread-27021-1-1.html
測試數據帶入訓練好的神經網路誤差當然不會達到1e-5，這是預測啊。
但將訓練數據帶入誤差必然是1e-5，演算法終止就是因為達到這個誤差才終止，這個誤差是由訓練數據的輸入、輸出以及神經網路的權值、激活函數共同決定的，神經網路訓練完後，權值、激活函數定了，同樣的數據再代入神經網路，誤差會不等於1e-5？
第二個問題：不可能每個值都達到1e-5，1e-5是MSE（mean square error），它們的平方和除以總數再開方，mse（E）必為1e-5
另外，LM演算法雖然訓練最快，但是預測精度一般不好，不如gdm，gdx
⑶ 關於神經網路LM訓練演算法的一些問題
1.初始權值不一樣，如果一樣，每次訓練結果是相同的 2.是 3.在train之前修改權值，IW,LW,b，使之相同 4.取多次實驗的均值 一點淺見，僅供參考
⑷ 神經網路的准確率是怎麼計算的
其實神經網路的准確率的標準是自己定義的。
我把你的例子賦予某種意義講解：
1，期望輸出[1 0 0 1]，每個元素代表一個屬性是否存在。像著4個元素分別表示：是否肺炎，是否肝炎，是否腎炎，是否膽炎，1表示是，0表示不是。
2，你的神經網路輸出必定不可能全部都是輸出只有0,1的輸出。絕大部分是像[ 0.9968 0.0000 0.0001 0.9970]這樣的輸出，所以只要輸出中的某個元素大於一定的值，例如0.7，我們就認為這個元素是1，即是有某種炎。否則為0，所以你的[ 0.9968 0.0000 0.0001 0.9970]可以看成是[1,0,0,1],。
3，所以一般神經網路的輸出要按一定的標準定義成另一種輸出（像上面說的），看調整後的輸出和期望輸出是否一致，一致的話算正確，不一致算錯誤。
4，用總量為n的檢驗樣本對網路進行評價，輸出調整後的輸出，統計錯誤的個數，記為m。
所以檢驗正確率可以定義為n/m。
⑸ LMBP神經網路參數，net.trainParam.mu及其相關。
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神經網路， 12個隱層神經元，4個輸出神經元
%tranferFcn屬性 'logsig' 隱層採用Sigmoid傳輸函數
%tranferFcn屬性 'logsig' 輸出層採用Sigmoid傳輸函數
%trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播演算法訓練函數
%learn屬性 'learngdm' 附加動量因子的梯度下降學習函數
net.trainParam.epochs=1000;%允許最大訓練步數2000步
net.trainParam.goal=0.001; %訓練目標最小誤差0.001
net.trainParam.show=10; %每間隔100步顯示一次訓練結果
net.trainParam.lr=0.05; %學習速率0.05
⑹ 通過哪些參數看神經網路擬合出來的函數效果神經網路擬合時如何確定隱藏的節點數
主要看均方誤差和其百分比（准確率）。假如你擬合出來是ui，計算（yi-ui）^2的平均值，然後計算這個平均值與yi平均值的比（也就是均方誤差百分比），當然用1減去這個百分比就是准確率了。一般也會畫一幅圖，把yi和ui分別用不同的顏色或者符號表示出來，直觀對比。
擬合時的隱含層節點數目前沒有一個通行的公式進行確定，只能憑借經驗和試湊。一般情況下，問題的復雜程度（非線性程度和維度）越高，隱含層節點數越多。這里介紹一個小經驗：先用不太大的節點數進行預測，如果增加節點數測試集准確率和訓練集准確率都有所提升，則應該繼續增加。如果增加節點數測試集准確率增加很不明顯，而訓練集准確率還是有所提升，則不應該繼續增加，當前的就是很理想的，繼續增加節點數只會起到反效果。
⑺ 我想請問下神經網路我的結果不正確預測值為0，這就代表正確值為100%，而且roc曲線只有一條斜線是
或者是樣本數量種類太少，取樣不科學。或者是條件太寬，區分度不高。
⑻ 為什麼用訓練好的bp神經網路去測試，准確率為0
1、你可以嘗試運行多次後比較其結果，最好重啟matlab，再運行你的神經網路程序。
2、確認一下你的bp神經網路參數設置是否合理。
3、也有可能的數據不適合用bp神經網路訓練，可以考慮其他方法。
⑼ 卷積神經網路的學習率怎麼計算出來的
注意：訓練樣本和測試樣本是不一樣的。判斷正確和錯誤，主要是看能不能通過訓練分析機以及是否在誤差內。正確率的得出：對測試樣本進行測試，看看識別出來的有哪些，除以測試樣本的總數即可。
⑽ Clementine里C5.0模型正確率和錯誤率怎麼得出來的，效績評價怎麼看，比如以年齡為輸出欄位
保存網路模型，然後把數據指向到神經網路就可以預測了。