神经网络模型结果怎么看,神经网络模型怎么评估

1、关于MATLAB中BP神经网络模型训练后的验证

用法错了。

premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。premnmx语句的语法格式是

[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)

其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint和maxt分别为T的最小值和最大值。
我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。

[Pn]=tramnmx(P,minp,maxp)

谷歌人工智能写作项目：小发猫

2、关于MATLAB的bp神经网络模型的训练和验证

可能发生了过度拟合的问题，导致网络泛化能力不足神经网络模型验证。
你训练的样本波动性很强，但是你检验的样本波动性很弱，神经网络在适应变化极大的问题时，效果不太好。
泛化：当某一反应与某种刺激形成条件联系后，这一反应也会与其它类似的刺激形成某种程度的条件联系，这一过程称为泛化。在心理学心理咨询中所谓泛化指的是：引起求助者目前不良的心理和行为反应的刺激事件不再是最初的事件，同最初刺激事件相类似、相关联的事件（已经泛化），甚至同最初刺激事件不类似、无关联的事件（完全泛化），也能引起这些心理和行为反应（症状表现）。

3、深度学习中测试数据跟验证数据的区别是什么？我不太理解验证数据是干什么的

通常在深度学习中将数据集划分为训练集、验证集和测试集。训练数据是用来训练神经网络模型的数据，验证数据的作用是：在神经网络训练的过程中不断测试模型的误差，验证数据的误差随着神经网络模型训练的次数增加会呈现先减小后增加的数据，所以验证数据的误差会存在一个拐点，当达到这个拐点时停止神经网络的训练，这时得到的神经网络的误差最小。而测试数据就是用来在神经网络训练完毕的时候测试模型的误差的数据。

再通俗易懂的举例形容如下

训练集：相当于教材或例题，训练集在我们的模型过程中起的作用就是更新模型的参数，用以获得更好的性能，其行为表现就是让我们以为模型掌握了相关的知识（规律）。
验证集：相当于模拟考试，只是你调整自己状态的指示器，这种调整的结果（从模拟考到高考），有可能更好，也有可能更糟糕。验证集的存在是为了从一堆可能的模型中，帮我们选出表现最好的那个，可用来选超参数。
测试集：相当于高考，其特点是一考定终身，不给改的机会。训练集用来评估模型最终的性能；当多个模型进行对比试验验证模型性能时，多个模型应该在相同的测试集上面进行对比，这样才有效。就好比甲做A地区的卷子考了600分，乙做B地区的卷子考了590分，能不能说甲比乙成绩高，答案是不能。此外，请勿对测试数据进行训练。如果评估指标取得了意外的好结果，则可能表明不小心对测试集进行了训练。例如，高准确率可能表明测试数据泄露到了训练集。
另：常见的划分原则有交叉验证法、留出法。

4、使用神经网络用matlab进行建模，最后的权重值要输出么，怎么输出？得出的模型怎么用来验证和预测？ 20

得出的权值要回赋给这个神经网络，权值就好像黑匣子里边的未知的东西，你通过训练数据得到最佳权值后把它赋给这个黑匣子，黑匣子就成了已知得了，给它一组输入运行就会有相应的输出y，这个输出是我们预测的，需要跟实际的输出比较得出误差，误差大证明系统模型不好，误差小说明系统模型更接近真实的系统，至于权值怎么赋给模型，网上有代码，粒子群优化bp神经网络，遗传算法优化神经网络的都有，我也是看了一段时间，理解的不深刻，建模主要是通过已知的输入输出数据训练网络的权值和阈值，我现在在学习锅炉系统建模和优化，大家可以一起交流学习qq191991427