Redes neuronales

Redes neuronales para regresión

Los modelos de redes neuronales se estructuran en una serie de capas que reflejan la manera en que el cerebro procesa la información. Los modelos de redes neuronales de regresión disponibles en Statistics and Machine Learning Toolbox™ son redes neuronales predictivas interconectadas en las que puede ajustar el tamaño de las capas interconectadas y modificar las funciones de activación de las mismas.

Para entrenar un modelo de red neuronal de regresión, utilice la app Regression Learner. Para mayor flexibilidad, entrene un modelo de red neuronal de regresión mediante fitrnet en la interfaz de línea de comandos. Tras el entrenamiento, puede predecir las respuestas con los nuevos datos pasando el modelo y los nuevos datos de los predictores a predict.

Si desea crear redes de deep learning más complejas y cuenta con Deep Learning Toolbox™, puede probar la app Deep Network Designer (Deep Learning Toolbox).

Apps

Regression Learner

Entrenar modelos de regresión para predecir datos usando machine learning supervisado

Bloques

RegressionNeuralNetwork Predict

Predict responses using neural network regression model (Desde R2021b)

Funciones

expandir todo

Crear un modelo de red neuronal

`fitrnet`	Train neural network regression model (Desde R2021a)
`compact`	Reduce size of machine learning model
`fitrqnet`	Train regression quantile neural network (Desde R2024b)

Interpretar una predicción

`lime`	Local interpretable model-agnostic explanations (LIME)
`partialDependence`	Compute partial dependence
`permutationImportance`	Predictor importance by permutation (Desde R2024a)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`shapley`	Shapley values (Desde R2021a)

Realizar una validación cruzada

`crossval`	Cross-validate machine learning model
`kfoldLoss`	Loss for cross-validated partitioned regression model
`kfoldPredict`	Predict responses for observations in cross-validated regression model
`kfoldfun`	Cross-validate function for regression
`kfoldLoss`	Loss for cross-validated partitioned quantile regression model (Desde R2025a)
`kfoldPredict`	Predict responses for observations in cross-validated quantile regression model (Desde R2025a)
`kfoldfun`	Cross-validate function for quantile regression (Desde R2025a)

Medir el rendimiento

`loss`	Loss for regression neural network (Desde R2021a)
`resubLoss`	Resubstitution regression loss
`loss`	Loss for quantile neural network regression model (Desde R2024b)

Predecir respuestas

`predict`	Predict responses using regression neural network (Desde R2021a)
`resubPredict`	Predict responses for training data using trained regression model
`predict`	Predict response for quantile neural network regression model (Desde R2024b)

Objetos

`RegressionNeuralNetwork`	Neural network model for regression (Desde R2021a)
`CompactRegressionNeuralNetwork`	Compact neural network model for regression (Desde R2021a)
`RegressionPartitionedNeuralNetwork`	Cross-validated regression neural network model (Desde R2023b)
`RegressionQuantileNeuralNetwork`	Quantile neural network model for regression (Desde R2024b)
`CompactRegressionQuantileNeuralNetwork`	Compact quantile neural network model for regression (Desde R2025a)
`RegressionPartitionedQuantileModel`	Cross-validated quantile model for regression (Desde R2025a)

Temas

Evaluar el rendimiento de redes neuronales de regresión
Utilice fitrnet para crear un modelo de red neuronal predictiva de regresión con capas interconectadas y evalúe el rendimiento del modelo en datos de prueba.
Working with Quantile Regression Models
Estimate prediction intervals and create models that are robust to outliers by using quantile regression models.
Create Prediction Intervals Using Split Conformal Prediction
Create a prediction interval and use conformalized quantile regression to calibrate the prediction interval.
Deploy Neural Network Regression Model to FPGA/ASIC Platform
Predict in Simulink^® using a neural network regression model, and deploy the Simulink model to an FPGA/ASIC platform by using HDL code generation.