ElectroYou

Ciao a tutti,
dovrei svolgere un compito sul fitting da risolvere su matlab.
ho a disposizione un dataset con 13 attributi...i valori della regressione sono bassissimi...che tecniche o metodi si possono utilizzare per migliorare i risultati?
grazie per la vostra attenzione.

Qual'e' la curva con cui vuoi tentare il fitting ?

Se hai problemi di condizionamento ti consiglio la SVD ( Singular Value Decomposition ).
Praticamente utilizzi i minimi quadrati con l'ausilio della SVD per evitare problemi numerici.
E' una tecnica che in genere funziona molto bene.

Cerca con Google "least-squares fitting singular value decomposition" e troverai tutte le informazioni che ti servono per implementarla.

Devo utilizzare l'interfaccia grafica nftool, quindi posso solo modificare il numero di neuroni e le percentuali di training, validation e test...come posso manipolare i dati per migliorare il grafico e diminuire il MSE(mean squared error)? dovrei eliminare anche gli outliers, ho provato ad eliminare i valori che si distanziano dalla media per più di tre volte la deviazione std...è corretto?

[1] Devi avere un'idea piuttosto chiara riguardo la complessita' della rete. Non avendo a disposizione la misura di Vapnik ( cosa fondamentale nelle SVM ) per la valutazione diretta della complessita' ti consiglio di iniziare con una rete molto semplice e poi eventualmente salire con il numero di neuroni.
[2] Devi evitare il fenomeno dell' overfitting.
[3] La selezione dei dati di ingresso e' fondamentale per il successo del training della rete.

Quando conviene normalizzare i dati? devono avere un andamento gaussiano?

dandp123 ha scritto:Quando conviene normalizzare i dati?

E' un argomento fondamentale e molto discusso.
Una buona risposta piuttosto articolata la puoi trovare qui.

dandp123 ha scritto: Devono avere un andamento gaussiano?

La statistica dei dati non è controllabile. I dati campionati sono una o più realizzazioni di un processo aleatorio con una determinata statistica.
Scegliendo i dati di ingresso in modo tale che la statistica del sottoinsieme risulti gaussiana ( ammesso che si possa ) potrebbe creare un errore di addestramento , a meno che questa conoscenza non sia da considerarsi valida a priori a partire da considerazioni fisiche sul processo aleatorio in oggetto.