如何在Matlab中进行正则化&x27；s神经网络工具箱

我的数据集有150个自变量和10个预测值或响应。问题在于找到输入和输出变量之间的映射。有1000个数据点，其中70%用于培训，30%用于测试。我使用的是一个前馈神经网络，有10个隐藏的神经元，如本文所述。我正在使用命令评估性能

perf_Train = perform(net,TrainedData',lblTrain')

YPred = net(XTest);
perf_Test = perform(net,YPred,lblTest')

这基本上给出了训练和测试的实际和预测（估计）响应之间的均方误差。我的测试数据不能正确地适应经过训练的模型，但是训练数据非常适合

问题1：我的训练成绩总是低于测试成绩，即

perf_Train=0.0867

和

perf_test=0.567

这件衣服是过合适还是不合适

---

问题2：如何使测试数据准确拟合？理论上说，为了克服过拟合和欠拟合，我们需要进行正则化。是否有任何参数需要输入到函数中，如正则化，以克服此问题？

由于训练误差低于测试误差，这是过度拟合。 我建议为您的培训设置较少的时间（迭代），或者使用较少的培训数据。 我还建议检查训练数据和测试数据是否随机选取

对于调节，可以如下设置：

net.performParam.regularization = 0.5;

性能比取决于模型，0.5只是一个示例

有关更多详细信息，请参阅以下文档。

---

感谢您提供的信息和文档链接。我没有什么意见，你能澄清一下吗？（1） 当数据集分为训练集、验证集和测试集时，通常根据验证集报告过度拟合或欠拟合。但是，我无法找出过拟合或欠拟合，因为Matlab会自动将序列分割为序列和验证。因此，基于看不见的测试数据报告过拟合或欠拟合是否合法？（2）我认为如果验证错误>训练错误，我们就有过拟合的情况。在我的例子中，testerror>training error，那么过拟合的概念也适用于测试错误集吗？（您提到的是“过盈”或“过盈”，请检查）。对不起，您是对的，执行函数给出了错误，我认为是相反的。正如你所写的，这对你的情况来说是过分的。谢谢你的澄清和纠正。在大多数书籍和教程中，建议将70%的数据用于培训，其余30%用于测试。但你为什么建议少用训练数据，然后用多少？你能解释一下吗？谢谢你的时间和努力。一般来说，70%是好的，但没有规则。你必须试着找到最好的组合。你可以检查你的训练数据，如果有很多类似的数据，你会有很好的表现。