① matlab神经网络工具箱预测数据在哪
在matlab。打开matlab，通过导入数据，输入“输入数据”（input），以及“输出数据”（output），可以看到工作区已经出运吵碰现了两个数据。MATLAB是美国MathWorks公司出品的商旁谈业数学软碰悔件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环。
② matlab 神经网络工具箱中的som怎么使用
使用newsom函数创建网络：
net=newsom(PR,[D1,D2,^],TFCN,DFCN,OLR,OSTEPS,TLR,TND)
PR:R个输入元素的最大值和最小值的设定值，R*2维矩阵
Di：第I层的维数，默认为[5 8]
TFCN：拓扑函数，默认为hextop
DFCN:距离函数，默认为linkdist
OLR：分类阶段学习速率，默认为0.9
OSTEPS：分类阶段的步长，默认为1000
TLR：调谐阶段的学习速率，默认为0.02
TNS:调谐阶段的领域距离，默认为1.
例子：
>>P=[rand(1,400)*2;rand(1,400)];
>>plot(P(1,:),P(2,:),'.','markersize',20)
>>net=newsom([01;01],[35]);
>>net=train(net,P);
>>holdon
>>plotsom(net.iw{1,1},net.layers{1}.distances)
>>holdoff
第二个函数：newc函数
功能：该函数用于创建一个竞争层
net=newc
net=newc(PR,S,KLR,CLR)
S:神经元的数目
KLR：Kohonen学习速度，默认为0.01
CLR：Conscience学习速度，默认为0.001
net:函数返回值，一个新的竞争层。
也可以参考附件的代码，里面有一个案例是SOM神经网络的。
③ MATLAB神经网络拟合工具箱Neural Net Fitting实现回归预测
本文讲解在MATLAB软件中利用神经网络拟合（Neural Net Fitting）工具箱实现回归预测的具体方法。首先，导入数据时通过readtable()函数从Excel读取数据，随后将因变量Y与自变量X准备就绪。对于多个自变量，需合并放置于单一变量X中。
接着，运行MATLAB软件并选择“APP”→“Neural Net Fitting”打开工具箱。在“Neural Network Start”界面，选择输入与输出数据。通过鼠标在MATLAB工作区找到对应变量，确保数据维度正确设置。
继续点击“Next”，进入数据集划分界面。在此选择验证集与测试集比例，一般数据量少时采用6:2:2比例，数据量大时则为98:1:1，依据实际情况调整。
接着，点击“Next”进入神经网络结构配置界面。仅能配置隐藏层神经元数量，默认为1层，不能修改。对于隐藏层数量，建议先填写默认值10，根据模型精度与运行时间进行二次调整。
点击“Next”后，进入神经网络模型训练界面。选择训练算法，提供三种选项：Levenberg-Marquardt算法、Bayesian regularization算法、Scaled conjugate gradient backpropagation算法。结合数据特性，一般优先选择Levenberg-Marquardt算法。
训练模型后，界面显示训练结果窗口与精度评定指标数值。如对模型不满意，可多次重复训练并调整参数重新构建模型。若模型基本满意，点击“Next”进入模型调整界面，可进一步优化模型。
继续点击“Next”，进入解决方案部署界面。此界面提供代码生成、关键参数保存等功能。选择“Generate Scripts”自动生成MATLAB代码，简化后续模型训练。在“Save Data to Workspace”中保存模型参数，以便未来直接调用模型。
保存完毕后，点击“Finish”退出神经网络拟合工具箱。系统若未保存任何代码或参数，会弹出提示确认退出。
④ matlab怎么打开神经网络工具箱
1单击Apps，在搜索框中输入neu，下方出现了所有神经网络工具箱。neural net fitting 是我们要使回用的神答经网络拟合工具箱。
2
在下界面中点击next
3
单击load example data set，得到我们需要的测试数据。
4
单击import
5
单击next
6
单击next
7
数字“10”表示有10个隐含层。单击next。
8
单击train，开始训练。
9
训练过程跳出的小窗口。
10
训练结果。其中MSE表示均方差，R 表示相关系数。单击next。
11
这里可以调整神经网络，也可以再次训练。单击next。
12
在这里，可以保存结果。如果不需要，直接finish。