我正在尝试使用神经网络进行分类，数据集由7个参数和超过300k个样本组成。通过使用dropout，我想看看dropout对我的网络有什么影响。我正在使用Matlab。但是，matlab没有完整的dropout文档。我发现了一些关于辍学的论文，但大多数都是针对图像的深度神经网络，并且有一个非常复杂的方法。 我试着通过matlab使用nnstart，但是我不确定我是否可以通过这种方式添加dropout。 有没有办法使用matlab的dropout用于简单的神经网络？
如果您可以分享一些与我的问题相关的信息或可能的matlab代码，那将会很棒。
答案 0 :(得分：0)
您需要提供300K样本的验证集。然后在其他样本上训练和测试网络并评估保持的验证集上的性能。为您的辍学和非辍学网络做这件事。
答案 1 :(得分：0)
使用辍学对象的想法是防止过度拟合。如果将dropout设置为0.1，则对于每个时期内的每次迭代，该层中的每个节点都有10％的概率被从神经网络中删除。这实质上迫使网络学习更深，更重要的关系，而不是学习导致过度拟合的琐碎关系。
一个好方法是通过想象一个基于神经网络的二进制分类器来想象这，该分类器预测图像是否是猫。如果我们在训练时没有掉落的情况下使用橙色猫的图像，则模型检测黑色猫的图像是否实际上是猫的能力可能会很低。但是，当您添加辍学对象时，它可能会开始理解猫的特征而不是橙色猫的特征，因为将激活的节点（更重要）会更少（且更重要），而节点可能更重要。
尽管我以前没有使用过Matlab，但您可以在matlab中创建一个遵循以下伪代码的自定义函数：
Project B