【建模】RBF神经网络-完整建模步骤

前面我们已经基本认识RBF神经网络是什么了，这节开始，我们来看看真实使用RBF神经网络进行建模时，要怎么做，这一节我们先来看看RBF神经网络建模时的基本步骤和流程，好有个初步的印象。

一、RBF神经网络-建模步骤

本节讲述RBF神经网络建模的核心关注问题与建模的流程。

1.1. RBF神经网络-建模的核心问题

在说RBF神经网络建模之前，我们先来认识一下建模时的核心问题。

事实上，由于RBF神经网络可以使用插值方法求解(即newrbe)，它在训练误差上可以为0，而使用OLS进行求解(即newrb)，训练误差也不是问题，只要隐节点足够，训练误差就会足够小，因此，RBF建模时完全不用操心训练误差，而是主要解决以下两个问题：

1. 模型的泛化能力

模型的泛化能力，也可以简单地认为，就是模型在测试数据上的精度。

2. 模型复杂度

即RBF神经网络的隐节点个数，过多的隐节点会令模型较庞大。

所以，在整个RBF神经网络的建模中，我们所做的措施、以及需要重点关注的事情，都是以上两个问题。

1.2. RBF神经网络-建模流程

RBF神经网络的建模流程，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

      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。

二、RBF神经网络-建模步骤-详述

本节详细讲述RBF神经网络建模过程的每一个步骤。

2.1. RBF建模-数据处理

(一) 输入数据归一化

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，需根据数据背景意义来决定是否要归一化。

(二) 数据划分

将数据划分为两部分：

1. 训练数据：用来构建RBF模型。

2. 测试数据：用来最终检验模型的效果。

数据的划分，可以随机划分，也可以根据数据实际意义进行划分，按照一般的建模习惯，一般会把80%的数据作为训练数据，而剩余的20%作为测试数据。

2.2. RBF建模-模型构建与评估

(一) RBF神经网络-模型构建

构建RBF神经网络只需设定相关参数，再进行训练就可以了，如下：

1. 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的默认值作为初步设定，即：spread=1、goal=0

2. 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);

(二) RBF神经网络-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：评估训练样本的MAE误差。

2. 预测误差：评估预测样本的MAE误差。

建模中需要反复调参，以加强模型的泛化能力，即让预测误差满足要求。

结束语

好了，以上就是RBF神经网络的建模步骤了~这里我们大概讲述了一下流程，以及每一步的目的，下节再来看具体的代码实现，逐步掌握怎么利用RBF神经网络来建模。