bestPoint

Лучше всего укажите в Байесовой оптимизации согласно критерию

Синтаксис

x = bestPoint(results)
x = bestPoint(results,Name,Value)
[x,CriterionValue] = bestPoint(___)
[x,CriterionValue,iteration] = bestPoint(___)

Описание

пример

x = bestPoint(results) возвращает лучшую допустимую точку в модели Bayesian results согласно критерию по умолчанию 'min-visited-upper-confidence-interval'.

пример

x = bestPoint(results,Name,Value) изменяет лучшую точку с помощью пар "имя-значение".

пример

[x,CriterionValue] = bestPoint(___), для любого предыдущего синтаксиса, также возвращает значение критерия в x.

пример

[x,CriterionValue,iteration] = bestPoint(___) также возвращает номер итерации, в котором была возвращена лучшая точка. Применяется, когда парой "имя-значение" Criterion является 'min-observed', 'min-visited-mean' или 'min-visited-upper-confidence-interval' по умолчанию.

Примеры

свернуть все

Этот пример показывает, как получить лучшую точку оптимизированного классификатора.

Оптимизируйте классификатор KNN для данных ionosphere, значение находят параметры, которые минимизируют потерю перекрестной проверки. Минимизируйте свыше размеров самого близкого окружения от 1 до 30, и по функциям расстояния 'chebychev', 'euclidean' и 'minkowski'.

Для воспроизводимости, набор случайный seed и набор опция AcquisitionFunctionName к 'expected-improvement-plus'.

load ionosphere
rng default
num = optimizableVariable('n',[1,30],'Type','integer');
dst = optimizableVariable('dst',{'chebychev','euclidean','minkowski'},'Type','categorical');
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,[num,dst],'Verbose',0,...
    'AcquisitionFunctionName','expected-improvement-plus');

Получите лучшую точку согласно критерию 'min-visited-upper-confidence-interval' по умолчанию.

x = bestPoint(results)
x=1×2 table
    n       dst   
    _    _________

    1    chebychev

Самая низкая предполагаемая потеря перекрестной проверки происходит для десяти самых близких соседей и расстояния 'chebychev'.

Тщательное изучение графика модели целевой функции показывает точку с одним самым близким соседом и расстоянием 'chebychev', которое имеет более низкое значение целевой функции. Найдите эту точку с помощью различного критерия.

x = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    1    chebychev

Также найдите минимальное наблюдаемое значение целевой функции и номер итерации, в котором оно наблюдалось.

[x,CriterionValue,iteration] = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    1    chebychev

CriterionValue = 0.1197
iteration = 11

Входные параметры

свернуть все

Байесовы результаты оптимизации, заданные как объект BayesianOptimization.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: x = bestPoint(results,'Criterion','min-observed')

Лучше всего укажите критерий, заданный как пара, разделенная запятой, состоящая из 'Criterion' и имени критерия. Имена являются нечувствительными к регистру, не требуйте символов - и требуйте, чтобы только достаточно символов сделало имя, исключительно различимое.

Имя критерияЗначение
'min-observed'x является допустимой точкой с минимальной наблюдаемой целью.
'min-mean'x является допустимой точкой, где объективное образцовое среднее значение минимизировано.
'min-upper-confidence-interval'x является допустимой точкой, минимизирующей верхний доверительный интервал объективной модели. Смотрите alpha.
'min-visited-mean'x является допустимой точкой, где объективное образцовое среднее значение минимизировано среди посещаемых точек.
'min-visited-upper-confidence-interval'x является допустимой точкой, минимизирующей верхний доверительный интервал объективной модели среди посещаемых точек. Смотрите alpha.

Пример: 'Criterion','min-visited-mean'

Вероятность, что смоделированное объективное среднее значение превышает CriterionValue, заданный как пара, разделенная запятой, состоящая из 'alpha' и скаляра между 0 и 1. alpha относится к 'min-upper-confidence-interval' и 'min-visited-upper-confidence-interval' значения Criterion. Определением для верхнего доверительного интервала является значение Y где

P (meanQ (fun (x))> Y) = alpha,

где fun является целевой функцией, и среднее значение вычисляется относительно апостериорного распределения Q.

Пример: 'alpha',0.05

Типы данных: double

Выходные аргументы

свернуть все

Лучше всего укажите, возвращенный как 1-by-D таблица, где D является количеством переменных. Значение “лучших” относительно Criterion.

Значение критерия, возвращенного как действительный скаляр. Значение зависит от установки пары "имя-значение" Criterion, которая имеет значение по умолчанию 'min-visited-upper-confidence-interval'.

Имя критерияЗначение
'min-observed'Минимальная наблюдаемая цель.
'min-mean'Минимум образцового среднего значения.
'min-upper-confidence-interval'Значение Y, удовлетворяющий уравнению P (meanQ (fun (x)) > Y) = alpha.
'min-visited-mean'Минимум наблюдаемого образцового среднего значения.
'min-visited-upper-confidence-interval'Значение Y, удовлетворяющий уравнению P (meanQ (fun (x)) > Y) = alpha среди наблюдаемых точек.

Номер итерации, в котором наблюдалась лучшая точка, возвратился как положительное целое число. Лучшая точка задана CriterionValue.

Смотрите также

|

Введенный в R2017b

Для просмотра документации необходимо авторизоваться на сайте