Выходная функция является функцией, которая вызвана в конце каждой итерации bayesopt
. Выходная функция может остановить итерации. Это может также создать графики, сохранить информацию к вашей рабочей области или к файлу или выполнить любое другое вычисление, которое вы любите.
Кроме остановки итераций, выходные функции не могут изменить ход Байесовой оптимизации. Они просто контролируют прогресс оптимизации.
Эти встроенные выходные функции сохраняют ваши результаты оптимизации в файл или в рабочую область.
@assignInBase
— Сохраняет ваши результаты после каждой итерации к переменной под названием 'BayesoptResults'
в вашей рабочей области. Чтобы выбрать другое имя, передайте пару "имя-значение" SaveVariableName
.
@saveToFile
— Сохраняет ваши результаты после каждой итерации в файл с именем 'BayesoptResults.mat'
в вашей текущей папке. Чтобы выбрать другое имя или папку, передайте пару "имя-значение" SaveFileName
.
Например, чтобы сохранить результаты после каждой итерации к переменной рабочей области под названием 'BayesIterations'
,
results = bayesopt(fun,vars,'OutputFcn',@assignInBase, ... 'SaveVariableName','BayesIterations')
Запишите пользовательскую выходную функцию с подписью
stop = outputfun(results,state)
bayesopt
передает переменные results
и state
вашей функции. Ваша функция возвращает stop
, который вы устанавливаете на true
, чтобы остановить итерации, или на false
, чтобы позволить итерациям продолжаться.
results
является объектом класса BayesianOptimization
. results
содержит доступную информацию о вычислениях до сих пор.
state
имеет возможные значения:
'initial'
— bayesopt
собирается начать выполнять итерации.
'iteration'
— bayesopt
только что закончил итерацию.
сделанный
bayesopt
только что закончил свою итоговую итерацию.
Для примера смотрите Байесовую Выходную функцию Оптимизации.
Этот пример показывает, как использовать пользовательскую выходную функцию с Байесовой оптимизацией. Выходная функция останавливает оптимизацию, когда целевая функция, которая является коэффициентом ошибок перекрестной проверки, опускается ниже 13%. Выходная функция также строит время для каждой итерации.
function stop = outputfun(results,state) persistent h stop = false; switch state case 'initial' h = figure; case 'iteration' if results.MinObjective < 0.13 stop = true; end figure(h) tms = results.IterationTimeTrace; plot(1:numel(tms),tms') xlabel('Iteration Number') ylabel('Time for Iteration') title('Time for Each Iteration') drawnow end
Целевая функция является потерей перекрестной проверки классификации KNN данных ionosphere
. Загрузите данные и, для воспроизводимости, установите случайный поток по умолчанию.
load ionosphere rng default
Оптимизируйте свыше размера окружения от 1 до 30, и для трех метрик расстояния.
num = optimizableVariable('n',[1,30],'Type','integer'); dst = optimizableVariable('dst',{'chebychev','euclidean','minkowski'},'Type','categorical'); vars = [num,dst];
Установите раздел перекрестной проверки и целевую функцию. Для воспроизводимости, набор AcquisitionFunctionName
к 'expected-improvement-plus'
. Запустите оптимизацию.
c = cvpartition(351,'Kfold',5); fun = @(x)kfoldLoss(fitcknn(X,Y,'CVPartition',c,'NumNeighbors',x.n,... 'Distance',char(x.dst),'NSMethod','exhaustive')); results = bayesopt(fun,vars,'OutputFcn',@outputfun,... 'AcquisitionFunctionName','expected-improvement-plus');
|=====================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | n | dst | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 1 | Best | 0.19943 | 0.29551 | 0.19943 | 0.19943 | 24 | chebychev | | 2 | Best | 0.16809 | 0.14402 | 0.16809 | 0.1747 | 9 | euclidean | | 3 | Best | 0.12536 | 0.10833 | 0.12536 | 0.12861 | 3 | chebychev | __________________________________________________________ Optimization completed. Total function evaluations: 3 Total elapsed time: 5.3326 seconds. Total objective function evaluation time: 0.54786 Best observed feasible point: n dst _ _________ 3 chebychev Observed objective function value = 0.12536 Estimated objective function value = 0.12861 Function evaluation time = 0.10833 Best estimated feasible point (according to models): n dst _ _________ 3 chebychev Estimated objective function value = 0.12861 Estimated function evaluation time = 0.16636