predictError
Предскажите ошибочное значение в наборе точек
Синтаксис
error = predictError(results,XTable)[error,sigma]
= predictError(results,XTable)Описание
Примеры
Ошибочный прогноз
Этот пример показывает оптимизацию функции, которая выдает ошибку, когда точка оценки имеет норму, больше, чем 2. Ошибочная модель для целевой функции изучает это поведение.
Создайте переменные под названием x1 и x2, которые колеблются от -5 до 5.
var1 = optimizableVariable('x1',[-5,5]); var2 = optimizableVariable('x2',[-5,5]); vars = [var1,var2];
Следующая целевая функция выдает ошибку, когда норма x = [x1,x2] превышает 2:
function f = makeanerror(x)
f = x.x1 - x.x2 - sqrt(4-x.x1^2-x.x2^2);
fun = @makeanerror;
Постройте ошибочную модель и минимальную цель, в то время как оптимизация продолжает. Оптимизируйте для 60 итераций, таким образом, ошибочная модель становится хорошо обученной. Для воспроизводимости, набор случайный seed и использование функция приобретения 'expected-improvement-plus'.
rng default results = bayesopt(fun,vars,'Verbose',0,'MaxObjectiveEvaluations',60,... 'AcquisitionFunctionName','expected-improvement-plus',... 'PlotFcn',{@plotMinObjective,@plotConstraintModels});
Предскажите ошибку в точках на строке x1 = x2. Если бы ошибочная модель была совершенна, она имела бы значение -1 в каждой точке, где нормой x является не больше, чем 2 и значение 1 во всех других точках.
x1 = (-5:0.5:5)'; x2 = x1; XTable = table(x1,x2); error = predictError(results,XTable); normx = sqrt(x1.^2 + x2.^2); [XTable,table(normx,error)]
ans =
21x4 table
x1 x2 normx error
____ ____ _______ _________
-5 -5 7.0711 0.94663
-4.5 -4.5 6.364 0.97396
-4 -4 5.6569 0.99125
-3.5 -3.5 4.9497 1.0033
-3 -3 4.2426 1.0018
-2.5 -2.5 3.5355 0.99627
-2 -2 2.8284 1.0043
-1.5 -1.5 2.1213 0.89886
-1 -1 1.4142 0.4746
-0.5 -0.5 0.70711 0.0042389
0 0 0 -0.16004
0.5 0.5 0.70711 -0.012397
1 1 1.4142 0.30187
1.5 1.5 2.1213 0.88588
2 2 2.8284 1.0872
2.5 2.5 3.5355 0.997
3 3 4.2426 0.99861
3.5 3.5 4.9497 0.98894
4 4 5.6569 0.98941
4.5 4.5 6.364 0.98956
5 5 7.0711 0.95549