分类

从左到右：
1、聚类
2、输入输出得拟合关系
3、模式识别和分类
4、动态时间序列预测
下面我们分别来看一下这些神经网络工具箱得使用

Neural net Fitting

这是一个简单的对输入输出数据进行拟合得工具箱，使用具有隐藏层得神经网络结构。
在本文中选取样例，13*256得矩阵，表示256个人得13项身体指标样本数据。
在进行了前面比较简单的选择之后，出现了这个界面，要求选择训练算法（下面三种应该都是有监督算法）：
1、Levenberg-Marquardt算法
引用维基百科：
莱文贝格-马夸特算法能提供数非线性最小化（局部最小）得数值解。此算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法得优点，并对两者之不足做改善。
如果下降太快，使用较小的λ，使之更接近高斯牛顿法
如果下降太慢，使用较大的λ，使之更接近梯度下降法
2、bayesian regularization算法
在神经网络过程中，因为训练之后很可能会出现过拟合的状况（吴恩达得课程中有讲到过），其中的一个解决方法就是正则化。基本思想时是保留所有的特征量，但通过减少参数theta来避免某个特征量过拟合，可以用贝叶斯统计得思想来理解正则化。（我决定原理以后再学）
3、Scaled Conjugate Gradient (SCG)
特性：不需要参数，但不适用于所有得数据集

回归评价指标：mse（均方误差）和R平方