本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
本文详细描述RBF神经网络的建模过程，用于建模时进行借鉴
具体代码见《RBF神经网络建模代码实现》
本节讲述RBF神经网络建模的核心关注问题与建模的流程
RBF神经网络的建模的核心问题
RBF(newrb)在训练误差上肯定是没问题的，
因为只要spread足够小，
训练误差会随着隐节点的添加逐步减少，
直到添加到完所有隐节点，训练的误差就为0
因此，RBF神经网络建模的核心主要解决以下两个问题
👉1. 模型的泛化能力
👉2. 模型复杂度
在建模的过程中需要密切关切这两个问题
RBF神经网络的建模过程
RBF神经网络的建模过程主要有以下步骤：
一. 数据处理
1. 数据归一化：将数据进行归一化,统一量纲
2. 数据分割：分割为训练集与测试集
二. 模型构建
1. 模型参数设置：主要设置goal和spread参数
2. 模型训练：用训练数据对模型进行训练
三. 模型评估与模型保存
1. 评估训练误差：打印模型的训练误差
2. 评估测试误差：打印模型的测试误差
本节详细讲述RBF神经网络建模过程的每一个步骤
数据处理
输入数据归一化
对输入数据进行归一化
对输入数据归一化主要是考虑到径向基是基于距离的模型，
因此，在多输入时，进行归一化可以达到量纲统一
如果不归一化，整体距离很容易被某个维度"吃"掉
另一方面，将数据归一化后，在调参等方面更加统一与方便一些
归一化并不是绝对需要的，要根据数据的背景意义来决定是否要归一化
相关实验见《归一化对RBF神经网络的影响》
数据划分
将数据划分为两部分：
👉1.训练数据：用来构建RBF
👉2.测试数据：用来最终检验模型的效果
可以随机划分，也可以根据数据实际意义进行划分
RBF神经网络模型构建
设定RBF神经网络模型参数
模型参数主要是设置spread和goal,
可以使用matlab的默认值spread = 1 ,goal= 0 作为初步设定
也可以参考 《RBF神经网络-spread参数设置》、《RBF神经网络-goal参数设置》的内容进行初步设定
用训练数据调用newrb构建RBF
直接使用newrb就可以构建RBF神经网络，如下
[net,tr]= newrb(x, y,goal,spread);
模型评估与模型保存
模型评估
这里建议使用绝对误差MAE来评估模型，如下:
👉1. 训练误差：训练样本的MAE误差
👉2. 预测误差：预测样本的MAE误差
模型保存
保存模型有两种方式，具体如下：
👉1. 保存模型的net对象
👉2. 保存RBF网络的权重阈值
End
