divideind

R2026b

(제거될 예정임) 지정된 인덱스를 사용하여 목표값을 3개의 세트로 나누기

divideind 함수는 향후 릴리스에서 제거될 예정입니다. 자세한 내용은 Transition Legacy Neural Network Code to dlnetwork Workflows 항목을 참조하십시오.

코드 업데이트에 대한 자세한 지침은 버전 내역 항목을 참조하십시오.

구문

[trainInd,valInd,testInd] = divideind(Q,trainInd,valInd,testInd)

설명

[trainInd,valInd,testInd] = divideind(Q,trainInd,valInd,testInd)는 제공된 인덱스를 사용하여 목표값을 훈련 세트, 검증 세트, 테스트 세트와 같은 3개의 세트로 나눕니다. 이 함수는 사실 인수로 받은 것과 동일한 인덱스를 반환하는데, 이 함수의 목적은 신경망에서 훈련, 검증, 테스트에 사용할 인덱스가 수동으로 설정될 수 있도록 하는 것입니다.

인덱스는 Q보다 큰 모든 인덱스를 삭제한 후에 반환됩니다. 1:Q 범위에 있는 인덱스는 3개 세트 중 어디에도 할당되지 않을 수 있고 동일한 인덱스는 두 개 이상의 세트에서 사용되면 안 됩니다.

예제

지정된 인덱스를 사용하여 샘플을 3개의 세트로 나누기

이 예제에서는 신경망에 대해 지정된 인덱스를 사용하여 샘플을 3개의 세트로 나누는 방법을 보여줍니다.

실제로 16개만 사용되도록 20개의 샘플을 훈련 인덱스, 검증 인덱스, 테스트 인덱스로 나눕니다.

[trainInd,valInd,testInd] = divideind(20,1:8,9:12,14:16)

이 코드는 신경망을 훈련시킬 때 같은 종류의 데이터 분할을 수행하도록 하는 방법을 보여줍니다.

net.divideFcn = 'divideind';
net.divideParam.trainInd = 1:8;
net.divideParam.valInd = 9:12;
net.divideParam.testInd= 14:16;

입력 인수

Q — 목표값 개수

스칼라

나눌 목표값의 개수로, 스칼라로 지정됩니다.

trainInd — 훈련 인덱스

벡터

훈련 인덱스로, 1×Q 벡터로 지정됩니다.

valInd — 검증 인덱스

벡터

검증 인덱스로, 1×Q 벡터로 지정됩니다.

testInd — 테스트 인덱스

벡터

테스트 인덱스로, 1×Q 벡터로 지정됩니다.

출력 인수

trainInd — 훈련 인덱스

벡터

훈련 인덱스로, 벡터로 반환됩니다.

valInd — 검증 인덱스

벡터

검증 인덱스로, 벡터로 반환됩니다.

testInd — 테스트 인덱스

벡터

테스트 인덱스로, 벡터로 반환됩니다.

세부 정보

신경망 사용

다음은 train이 호출되었을 때 어떤 데이터 분할 함수를 사용할지, 이 함수의 파라미터가 무엇인지, 그리고 목표값의 어떤 측면을 나눌지를 정의하는 신경망 속성입니다.

net.divideFcn
net.divideParam
net.divideMode

버전 내역

R2008a에 개발됨

R2026a: divideind 함수는 제거될 예정임

divideind 함수는 향후 릴리스에서 제거될 예정입니다.

신경망의 데이터 처리에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

• Preprocess Data for Domain-Specific Deep Learning Applications

• Datastores for Deep Learning

• Ground Truth 데이터에 레이블을 지정할 앱 선택

자세한 내용은 Transition Legacy Neural Network Code to dlnetwork Workflows 항목을 참조하십시오.

참고 항목

시계열 모델러 | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork

도움말 항목

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows