正則化工具箱

㈠ 神經網路研究與應用這塊用python好還是matlab

看你的需求,
若果你是需要使用神經網路去完成某些數據分析,而你的數據又不是很多(只有幾萬個樣本或十幾萬個本樣),那麼建議你使用matlab,裡面有已經搭建好的工具箱,非常齊全(神經網路很多種,而且又有不同的學習演算法,和是否正則化等等).
若果你只是想學習演算法,那麼也是matlab較好,一來語法簡單,二來網上的資料比較好找.

若果你對神經網路已經熟悉是,是打算投入應用,而且你的數據很大,那麼根據你所需要的神經網路,用C或其他你認為性能好的語言,針對你的問題重新編一個演算法,也不會花很大功夫.
來自<神經網路之家>nnetinfo

㈡ 神經網路研究與應用這塊用python好還是matlab

看你的需求, 若果你是需要使用神經網路去完成某些數據分析,而你的數據又不是很多(只有幾萬個樣本或十幾萬個本樣),那麼建議你使用matlab,裡面有已經搭建好的工具箱,非常齊全(神經網路很多種,而且又有不同的學習演算法,和是否正則化等等). 若果你只是想學習演算法,那麼也是matlab較好,一來語法簡單,二來網上的資料比較好找. 若果你對神經網路已經熟悉是,是打算投入應用,而且你的數據很大,那麼根據你所需要的神經網路,用C或其他你認為性能好的語言,針對你的問題重新編一個演算法,也不會花很大功夫. 來自<神經網路之家>nnetinfo

㈢ 如何用matlab將離散數據擬合成方程，在線等！！！

同意1樓的回答，用cftool. 但是不知道函數形式的情況下確實不好擬合。

有幾類cftool中沒有，但科研也常用的函數擬合你可以試試, 比如pade近似,廣義回歸網路, 主成分分解等.

給你一個貝葉斯正則化訓練的BP前饋網路試試看

返回值funObj就是擬合出來的方程

%-----------分割線-----------------

function funObj = netFit(x, y)

maxID=1; % 這里取1. 所以每次運行結果都有所不同，取大點結果基本就不變了.

% Matlab手冊建議訓練很多網路求平均，比如maxID=100. 可並行加速

% 具體參考doc train --> useParallel, useGPU. 自動的.

net = feedforwardnet(15); % 這個值隨便取的，其實有講究...

net.trainFcn = 'trainbr';

net.divideParam.trainRatio = 0.7;

net.divideParam.valRatio = 0.3;

net.divideParam.testRatio = 0;

net = configure(net, x, y);

net.trainParam.showWindow = 0;

h = waitbar(0,'Training with Bayesian Regularization 0%');

netCollect = cell(maxID,1);

for netID=1:maxID

net = init(net);

net = train(net, x, y);

waitbar(netID/maxID,h ,...

sprintf('Training with Bayesian Regularization %4.1f%%',netID/maxID*100));

netCollect{netID} = net;

end

delete(h);

funObj = @(x)evalNet(netCollect, x);

xfit = linspace(min(x), max(x), 100);

yfit = funObj(xfit);

figure(10);plot(xfit, yfit, 'r-', x, y, 'ok');

legend('Fitted Line','Data')

xlabel('X','FontSize',14);ylabel('Y','FontSize',14);title('maxID=100')

end

function y = evalNet(netCollect, x)

NNet = length(netCollect);

y = zeros(size(x));

for netId=1:NNet

net = netCollect{netId};

y = y+net(x);

end

y = y/NNet;

end

㈣ 關於matlab的SVM工具箱的幾個函數

能不用自帶函數不，給你個最小二乘支持向量機的自編代碼
clear all;
clc;
N=35; %樣本個數
NN1=4; %預測樣本數
%********************隨機選擇初始訓練樣本及確定預測樣本*******************************
x=[];
y=[];
index=randperm(N); %隨機排序N個序列
index=sort(index);
gama=23.411; %正則化參數
deita=0.0698; %核參數值
%thita=; %核參數值
%*********構造感知機核函數*************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=tanh(deita*(x1'*x2)+thita);
% end
%end
%*********構造徑向基核函數**************************************
for i=1:N
x1=x(:,index(i));
for j=1:N
x2=x(:,index(j));
x12=x1-x2;
K(i,j)=exp(-(x12'*x12)/2/(deita*deita));
end
end
%*********構造多項式核函數****************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=(1+x1'*x2)^(deita);
% end
%end
%*********構造核矩陣************************************
for i=1:N-NN1
for j=1:N-NN1
omeiga1(i,j)=K(i,j);
end
end
omeiga2=omeiga1';
omeiga=omeiga2+(1/gama)*eye(N-NN1);
A12=ones(1,N-NN1);
A21=A12';
A=[0 A12;A21 omeiga];
%**************************************
for i=1:N-NN1
B21(i,:)=y(index(i));
end
B=[0;B21];
%********LS-SVM模型的解******************************
C=A\B;
%******
b=C(1); %模型參數
for i=1:N-NN1
aipha(i)=C(i+1); %模型參數，行向量
end
%*******************************************
for i=1:N %預測模型
aifx(i)=b+(aipha)*K(1:N-NN1,i);
end
%*******************************************
aifx
index

㈤ MATLAB 中 正則化函數是什麼

不知道你問的是正則化項，還是正則化方法。
（1）如果是正則化項，一般用范數表示：
norm(X)默認等同於 norm(X,2)，返回 X的2-范數；
norm(X,1) 返回 X的1-范數；
norm(X,Inf) 返回 X的無窮范數；
norm(X,'fro') 返回 X的F范數.
（2）如果是某一具體的正則化方法，估計需要自己編程，彷彿曾見過老外編的一個正則化工具箱，裡麵包括常見的正則化方法，例如：Tikhnove正則化。

㈥ 求大神解答:matlab軟體中center and scale x data是什麼意思

你好

這句話的意思是將x data原始數據進行中心化與比例化處理。類似於線性插值技術。matlab在曲線擬合工具箱中加入這個選項是為了當X data與ydata擬合不好時，選擇這個選項有利於得到更好的擬合效果。matlab通過正則化預測數據（Xdatal）的中心與比例，以有助於預測。具體實現過程如下：

x 是預測數據, μ 是 x的均值, σ 是x的標准差 .把xdata數據轉換成z， 轉換後的數據中心 為0, 標准差為 1.

經過centering and scaling後，求出的多項式系數是y與z的函數關系，與y與x關系不同。但是模型形式與殘差范數沒有變化。具體如何實現過程見matlab給出的比較代碼：

loadcensus
x=cdate;
y=pop;
z=(x-mean(x))/std(x);%Computez-scoresofxdata
plot(x,y,'ro')%Plotdata
holdon
zfit=linspace(z(1),z(end),100);
pz=polyfit(z,y,3);%Computeconditionedfit
yfit=polyval(pz,zfit);
xfit=linspace(x(1),x(end),100);
plot(xfit,yfit,'b-')%Plotconditionedfitvs.xdata

處理後x與z數據的差異化見下圖：

好處是能得到更加精確的擬合結果。

可也有缺點，得不到y與x的直接函數關系式，只能間接通過z得到。

希望對你有幫助！

㈦ 神經網路研究與應用這塊用python好還是matlab

看你的需求, 若果你是需要使用神經網路去完成某些數據分析,而你的數據又不是很多(只有幾萬個樣本或十幾萬個本樣),那麼建議你使用matlab,裡面有已經搭建好的工具箱,非常齊全(神經網路很多種,而且又有不同的學習演算法,和是否正則化等等).
若果你只是想學習演算法,那麼也是matlab較好,一來語法簡單,二來網上的資料比較好找. 若果你對神經網路已經熟悉是,是打算投入應用,而且你的數據很大,那麼根據你所需要的神經網路,用C或其他你認為性能好的語言,針對你的問題重新編一個演算法,也不會花很大功夫.

㈧ MATLAB 中 正則化函數是什麼

不知道你問的是正則化項，還是正則化方法。
（1）如果是正則化項，一般用范數表示：
norm(X)默認等同於
norm(X,2)，返回
X的2-范數；
norm(X,1)
返回
X的1-范數；
norm(X,Inf)
返回
X的無窮范數；
norm(X,'fro')
返回
X的F范數.
（2）如果是某一具體的正則化方法，估計需要自己編程，彷彿曾見過老外編的一個正則化工具箱，裡麵包括常見的正則化方法，例如：Tikhnove正則化。

㈨ 神經網路研究與應用這塊用python好還是matlab

若果你是需要使用神經網路去完成某些數據分析,而你的數據又不是很多(只有幾萬個樣本或十幾萬個本樣),那麼建議你使用matlab,裡面有已經搭建好的工具箱,非常齊全(神經網路很多種,而且又有不同的學習演算法,和是否正則化等等).
若果你只是想學習演算法,那麼也是matlab較好,一來語法簡單,二來網上的資料比較好找.

若果你對神經網路已經熟悉是,是打算投入應用,而且你的數據很大,那麼根據你所需要的神經網路,用C或其他你認為性能好的語言,針對你的問題重新編一個演算法,也不會花很大功夫.