综述

在大数据和人工智能时代，神经网络是一种最为常见的数据分析和拟合工具。本报告以常用分析软件Matlab为例，介绍其中神经网络工具箱使用方法。

Step 1: 打开matlab

安装matlab 2018以上版本后，双击图标打开。

Step 2: 打开神经网络拟合应用

1、在APP（应用）页面，展开，找到Neural Net Fitting图标，单击打开。

2、打开后页面如下图所示

点击“Next”

Step 3: 选择训练数据

1、本实验先利用matlab内置的已有算例数据集进行分析，如下图所示，点击“Load Example Data Set”

2、选择Engine数据集后，再点击Import导入。

3、点击蓝色字体“engine dataset”，查看这个数据集的介绍

可以进一步点击上图中的链接，查看更多内容。

4、选择自变量“输入”（input）、因变量“目标”（target）

5、告诉matlab样本是行还是列。这里选择columns，即有1199个样本。（样本一般比较多，element（变量）一般比较少）。

点击next

6、划分训练集、测试集和验证集。这里默认，不需要改。

点击next。

Step 4: 配置神经网络

1、设置隐含层数目，这里默认10，不需要改变。

点击next。

有同学好奇这里要怎么设置。根据kolmogorov定理，可以按照如下方法确定。

Step 5: 开始训练神经网络

1、开始训练，点击Train

得到如下训练结果

Step 6: 分析拟合结果

1、查看拟合效果。

误差的众数在0附近，比较合理。

预测值（output）和真实值（target）的分布都在对角线上，说明拟合效果很好。

MSE和R值都挺好的，也说明这个模型拟合得不错。

点击next，进行下一步。

Step 7: 导出结果

1、出现下图，我们暂时不需要评估模型，所以继续按Next

到达Deploy solution的页面，如下图所示，这时候，我们点“MATLAB Function”

点击后，发现matlab主界面的工作区中，出现了我们刚刚跑模型的数据。

在matlab主界面的编辑器，出现了新建页面，且里面是刚刚所训练模型的参数，将其保存为自己喜欢的名字（例如下图中“myNeuralNetworkFunctionEngine”），将其保存在默认路径。

上图所示的数字，即为神经网络每一个输入的权重系数。

Step 8: 应用模型

1、新建一个脚本，我们命名为“EnginePre”，保留在默认路径。敲入如图所示的代码。

点击运行后，可以点击工作区中的“Y_true”和“Y_pre”来感性对比以下真值和预测值的差别。

由于本例中的输出有两个，所以我们也分别对其计算RMSE，得到的值如下图所示。