Предскажите связанные ограничительные нарушения в наборе точек
ConstraintViolations = predictConstraints(results,XTable)[ConstraintViolations,sigma]
= predictConstraints(results,XTable)ConstraintViolations = predictConstraints(results,XTable)XTable.
[ также возвращает стандартные отклонения двойных ограничительных функций.ConstraintViolations,sigma]
= predictConstraints(results,XTable)
Этот пример показывает, как предсказать двойные ограничения оптимизированной модели SVM. Для получения дополнительной информации этой модели, смотрите, Оптимизируют перекрестный Подтвержденный Классификатор SVM Используя bayesopt.
rng default grnpop = mvnrnd([1,0],eye(2),10); redpop = mvnrnd([0,1],eye(2),10); redpts = zeros(100,2); grnpts = redpts; for i = 1:100 grnpts(i,:) = mvnrnd(grnpop(randi(10),:),eye(2)*0.02); redpts(i,:) = mvnrnd(redpop(randi(10),:),eye(2)*0.02); end cdata = [grnpts;redpts]; grp = ones(200,1); grp(101:200) = -1; c = cvpartition(200,'KFold',10); sigma = optimizableVariable('sigma',[1e-5,1e5],'Transform','log'); box = optimizableVariable('box',[1e-5,1e5],'Transform','log');
Целевая функция является потерей перекрестной проверки модели SVM для раздела c. Двойное ограничение является количеством векторов поддержки в модели минус 100. Модель имеет 200 точек данных, таким образом, двойной ограничительный диапазон значений от-100 до 100. Положительные значения означают, что ограничение не удовлетворено.
function [objective,constraint] = mysvmfun(x,cdata,grp,c) SVMModel = fitcsvm(cdata,grp,'KernelFunction','rbf',... 'BoxConstraint',x.box,... 'KernelScale',x.sigma); cvModel = crossval(SVMModel,'CVPartition',c); objective = kfoldLoss(cvModel); constraint = sum(SVMModel.IsSupportVector)-100.5;
Вызовите оптимизатор с помощью этой функции, и ее связал ограничение.
fun = @(x)mysvmfun(x,cdata,grp,c); results = bayesopt(fun,[sigma,box],'IsObjectiveDeterministic',true,... 'NumCoupledConstraints',1,'PlotFcn',... {@plotMinObjective,@plotConstraintModels,@plotObjectiveModel},... 'AcquisitionFunctionName','expected-improvement-plus','Verbose',0);
Ограничительный график модели показывает, что большинство параметров в области значений неосуществимо, и выполнимо только для относительно высоких значений параметра box и маленькой области значений параметра sigma. Предскажите двойные ограничительные значения для нескольких значений контрольных переменных box и sigma.
sigma = logspace(-2,2,11)'; box = logspace(0,5,11)'; XTable = table(sigma,box); cons = predictConstraints(results,XTable); [XTable,table(cons)]
ans =
11x3 table
sigma box cons
________ ______ _______
0.01 1 99.539
0.025119 3.1623 106.74
0.063096 10 94.781
0.15849 31.623 25.242
0.39811 100 -38.79
1 316.23 -56.379
2.5119 1000 -34.247
6.3096 3162.3 4.9263
15.849 10000 39.193
39.811 31623 60.69
100 1e+05 71.82