Выделение признаков ICA реконструкции
ReconstructionICA
применяет реконструкцию независимый анализ компонента (RICA), чтобы изучить преобразование, которое сопоставляет входные предикторы с новыми предикторами.
Создайте объект ReconstructionICA
при помощи функции rica
.
FitInfo
— Подходящая историяЭто свойство доступно только для чтения.
Подходящая история, возвращенная как структура с двумя полями:
Iteration
— Числа итерации от 0 до итоговой итерации.
Цель
Значение целевой функции в каждой соответствующей итерации. Итерация 0 соответствует начальным значениям перед любым подбором кривой.
Типы данных: struct
InitialTransformWeights
— Начальные веса преобразования функцииp
-by-q
матрицаЭто свойство доступно только для чтения.
Начальные веса преобразования функции, возвращенные как p
-by-q
матрица, где p
является количеством предикторов, передали в X
, и q
является количеством функций, которые вы хотите. Эти веса являются начальными весами, переданными функции создания. Тип данных является одним, когда данные тренировки X
являются одним.
Типы данных: single | double
ModelParameters
— Параметры для учебной моделиЭто свойство доступно только для чтения.
Параметры для обучения модель, возвращенная как структура. Структура содержит подмножество полей, которые соответствуют парам "имя-значение" rica
, которые были в действительности во время образцового создания:
IterationLimit
VerbosityLevel
Lambda
Standardize
ContrastFcn
GradientTolerance
StepTolerance
Для получения дополнительной информации смотрите
пары Name,Value
rica
.
Типы данных: struct
\mu
Предиктор означает при стандартизацииp
-by-1
векторЭто свойство доступно только для чтения.
Средние значения предиктора при стандартизации, возвратились как p
-by-1
вектор. Это свойство непусто, когда парой "имя-значение" Standardize
является true
при образцовом создании. Значение является вектором средних значений предиктора в данных тренировки. Тип данных является одним, когда данные тренировки X
являются одним.
Типы данных: single | double
NonGaussianityIndicator
— Non-Gaussianity источниковq
±1Это свойство доступно только для чтения.
Non-Gaussianity источников, возвращенных как вектор длины-q
±1.
NonGaussianityIndicator(k) = 1
означает модели rica
k
th источник как подгауссовы.
NonGaussianityIndicator(k) = -1
означает модели rica
k
th источник как супергауссовы с резким пиком в 0.
Типы данных: double
NumLearnedFeatures
— Количество выходных функцийЭто свойство доступно только для чтения.
Количество выходных функций, возвращенных как положительное целое число. Это значение является аргументом q
, переданным функции создания, которая является требуемым количеством функций, чтобы учиться.
Типы данных: double
NumPredictors
— Количество входных предикторовЭто свойство доступно только для чтения.
Количество входных предикторов, возвращенных как положительное целое число. Это значение является количеством предикторов, переданных в X
функции создания.
Типы данных: double
\sigma
Стандартные отклонения предиктора при стандартизацииp
-by-1
векторЭто свойство доступно только для чтения.
Стандартные отклонения предиктора при стандартизации, возвратились как p
-by-1
вектор. Это свойство непусто, когда парой "имя-значение" Standardize
является true
при образцовом создании. Значение является вектором стандартных отклонений предиктора в данных тренировки. Тип данных является одним, когда данные тренировки X
являются одним.
Типы данных: single | double
TransformWeights
— Покажите веса преобразованияp
-by-q
матрицаЭто свойство доступно только для чтения.
Покажите веса преобразования, возвращенные как p
-by-q
матрица, где p
является количеством предикторов, переданных в X
, и q
является количеством функций, которые вы хотите. Тип данных является одним, когда данные тренировки X
являются одним.
Типы данных: single | double
transform | Преобразуйте предикторы в извлеченные функции |
Создайте объект ReconstructionICA
при помощи функции rica
.
Загрузите закрашенные фигуры caltech101
изображений.
data = load('caltech101patches');
size(data.X)
ans = 1×2
100000 363
Существует 100 000 закрашенных фигур изображений, каждый содержащий 363 функции.
Извлеките 100 функций от данных.
rng default % For reproducibility q = 100; Mdl = rica(data.X,q,'IterationLimit',100)
Warning: Solver LBFGS was not able to converge to a solution.
Mdl = ReconstructionICA ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] NonGaussianityIndicator: [100x1 double] Properties, Methods
rica
выдает предупреждение, потому что он остановился из-за достижения предела итерации, вместо того, чтобы достигнуть предела неродного размера или предела размера градиента. Можно все еще использовать изученные функции в возвращенном объекте путем вызывания функции transform
.
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.