Matlab 神經網數據預處理的函數
1 std mean
std標準偏差。
對於向量，Y = std（X）返回標準偏差。對於矩陣，
Y是包含每列的標準偏差的行向量。對於
N-D數組，std沿著X的第一個非單實例維度運行。
std通過（N-1）歸一化Y，其中N是樣本大小。這是
sqrt的人口方差的無偏估計
只要X由獨立的，相同的X構成
分發樣品。
Y = std（X，1）用N歸一化並產生第二個的平方根
關於其平均值的樣本時刻。 std（X，0）與std（X）相同。
Y = std（X，FLAG，DIM）沿尺寸取標準偏差
DIM的X.傳入FLAG == 0以使用N-1或者默認標準化
1使用N.
例如：如果X = [4 -2 1
9 5 7]
那麽std（X，0,1）是[3.5355 4.9497 4.2426]，std（X，0,2）是[3.0
2.0]
意思是平均值或平均值。
對於向量，平均值（X）是X中元素的平均值
矩陣，平均值（X）是包含平均值的行向量
每列。 對於N維數組，平均值（X）是平均值
沿著X的第一個非單實體維的元素。
意思是（X，DIM）取沿X的維度DIM的平均值。
例如：如果X = [1 2 3; 3 3 6; 4 6 8; 4 7 7];
那麽平均值（X，1）是[3.0000 4.5000 6.0000]和
平均值（X，2）是[2.0000 4.0000 6.0000 6.0000]
2 prestd(改名為mapstd) poststd postreg
poststd後處理由PRESTD預處理的數據。
在R2006a NNET 5.0中已經過時。最後用於R2005b NNET 4.0.6。
句法
[p，t] = poststd（pn，meanp，stdp，tn，表示，stdt）
[p] = poststd（pn，meanp，stdp）
描述
poststd後處理網絡培訓
設置由PRESTD預處理。它轉換
數據返回到非標準化單位。
poststd需要這些輸入，
歸一化輸入向量的PN - RxQ矩陣
MEANP - 包含每個P的標準差的Rx1向量
包含每個P的標準偏差的STDP - Rx1載體
TN - 歸一化目標矢量的SxQ矩陣
MEANT - 包含每個T的標準差的Sx1向量
STDT - Sx1矢量包含每個T的標準偏差
並返回，
輸入（列）向量的P - RxQ矩陣。
目標向量的T - SxQ矩陣。
例子
在這個例子中，我們用一組訓練數據進行歸一化
PRESTD，使用規範化的創建和訓練網絡
數據，模擬網絡，對輸出進行非標準化
網絡使用poststd，並執行之間的線性回歸
網絡輸出（非標準化）和檢查目標
網絡培訓的質量。
p = [ - 0.92 0.73 -0.47 0.74 0.29; -0.08 0.86 -0.67 -0.52 0.93];
t = [ - 0.08 3.4 -0.82 0.69 3.1];
[pn，meanp，stdp，tn，意思是，stdt] = prestd（p，t）;
net = newff（minmax（pn），[5 1]，{‘tansig‘‘purelin‘}，‘trainlm‘）;
net = train（net，pn，tn）;
an = net（pn）;
a = poststd（an，mean，stdt）;
[m，b，r] = postreg（a，t）;
檢驗神經網絡預測和實際值的函數 postreg，
Posttraining Analysis (postreg)
The performance of a trained network can be measured to some extent by the errors on the training, validation, and test sets, but it is often useful to investigate the network response in more detail. One option is to perform a regression analysis between the network response and the corresponding targets. The routine postreg is designed to perform this analysis.
The following commands illustrate how to perform a regression analysis on the network trained in Summary and Discussion of Early Stopping and Regularization.
a = sim(net,p);
[m,b,r] = postreg(a,t)
m =
0.9874 m表示實際值和預測值的擬合系數，越靠近1 表明 二者越接近
b =
-0.0067 b表示實際值和預測值的擬合截距，越靠近0 表明 效果越好
r =
0.9935 r表示實際值和預測值的相關系數.
Matlab 神經網數據預處理的函數