本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
在使用newrb构建RBF神经网络时，goal参数决定了RBF网络的最终误差与及径向基个数
本文讲解使用newrb建模时，设置goal参数的三种方案，并解释每种goal设置的理由与出发点
通过本文，可以了解RBF神经网络建模时，如何设置goal参数，以及这样设置会有什么样的效果
本节讲解用newrb构建RBF神经网络时，应该如何设置goal参数
RBF神经网络-goal的设置方案
在使用newrb函数来构建RBF神经网络时，goal参数决定了最终模型的训练误差和隐节点个数
因为newrb的构建过程，就是以所有样本为中心生成隐节点，再逐个添加到RBF神经网络中，直到误差小于goal
goal的设置方案
goal应该如何设置呢？不同场景有不同的方案
如果我们只想简单地、尝试性看下newrb的模型效果时，此时只需要粗略设置一个性价比高的goal参数就可以了
这种场景goal的设置笔者有以下三种推荐:
👉方案1：
👉方案2：
👉方案3：
三种方案的使用场景如下：
如果y的数量级在1左右时，可以将goal设置为 进行简单尝试
如果y的数量级偏离1较多，可以将goal设置为
如果要更加细致、通用，可以将goal设置为
可以看到，它们是一个简单到细致的过程
备注：这里的0.01只是一个参考值，根据实际项目，可以适当调得更大或更小
各种goal设置方案的目的
方案1的意义
第一种设置是一种替代 goal =0 的简单方案
因为goal=0过于苛刻，会添加大量的隐节点，因此稍微放宽一点点误差，往往可以大大减少隐节点
总的来说，goal=0.01就是对goal=0的误差要求进行放宽，减少RBF神经网络的隐节点个数与增强泛化能力
方案2的意义
在y数量极相对较大的时候，例如y的范围为[-100,100]，
那么，此时goal=0.01就过小了，它几乎与"要求误差为0"无异，
因此， 是方案1的简单修正，它加入了y的数据范围的考虑
在实际中，只需看下y的最大值，再乘以0.01就可以
例如，, 那么
方案3的意义
方案3主要是为了更细致化方案1，它完全考虑了数据的量级
假设我们希望最终每个样本的相对误差为0.01，
那么此时mse为
因此把goal设为该值，就相当于期望最后的相对误差为1%，因此方案3更加的严谨
笔者语
笔者之所以提供三种方案，是因为实际使用场景的多样性
方案3虽然更通用、合理，但往往在实际的使用习惯中，一般会先试探性建模
此时为了快速、简单，往往会直接使用方案1，而方案2则是方案1不适用时，进行的简单修正
因为在不同场景，有不同的目的，所以笔者在这里把三种方案都总结出来，只要用得多了，三种都会涉及
好了，以上就是RBF神经网络的goal参数的设置方法了~
End