我正在使用两个 3 层前馈多层感知器 (MLP)。使用相同的输入数据（14 个输入神经元），我进行一种分类（真/假）和一种回归（如果为真，“多少”）¹。到目前为止，我已经分别懒惰地使用了 Matlabs patternnet和fitnet。懒惰，因为我还没有花时间真正了解发生了什么——我应该这样做。此外，我需要过渡到OSS 库（可能是 FANN），这可能需要比 Matlab NN Toolbox 更多的手动设置。因此，我试图更准确地了解发生了什么。

由patternnet和创建的网络fitnet几乎相同：14 个输入神经元、11 个隐藏神经元、1 个目标神经元（2 个用于fitnet，但只有 1 个信息）。但是，它们并不完全相同。默认情况下的区别是：

• Matlab对分类网络 ( )使用缩放共轭梯度反向传播，对回归网络 ( ) 使用Levenberg-Marquardt 反向传播。patternnetfitnet
• 分类网络在输入和隐藏层之间以及隐藏和输出层之间使用双曲正切 sigmoid 传递函数。回归网络 ( fitnet) 在输入和隐藏层之间使用双曲正切 sigmoid 传递函数，在隐藏层和输出层之间使用纯线性传递函数。

这些差异应该是什么？

哪种反向传播函数最适合分类，哪种适合回归，为什么？

哪种传递函数最适合分类，哪种最适合回归，为什么？

¹^{分类用于“多云”或“无云”（2 个互补目标），回归用于量化“有多少云”（1 个目标）。}