Рабочий процесс выделения признаков
Этот пример показывает полный рабочий процесс для выделения признаков от данных изображения.
Получите данные
Этот пример использует данные изображения MNIST, которые состоят из изображений рукописных цифр. Изображения являются 28 28 пикселями в шкале полутонов. Каждое изображение имеет связанную метку от 0 до 9, который является цифрой, которую представляет изображение.
Начните путем получения изображения и маркируйте данные из
http://yann.lecun.com/exdb/mnist/
Разархивируйте файлы. Для лучшей производительности на этом долгом примере используйте тестовые данные в качестве данных тренировки и данных тренировки как тестовые данные.
imageFileName = 't10k-images.idx3-ubyte'; labelFileName = 't10k-labels.idx1-ubyte';
Обработайте файлы, чтобы загрузить их в рабочей области. Код для этой функции обработки появляется в конце этого примера. Чтобы выполнить код, добавьте директорию функции к пути поиска файлов.
addpath(fullfile(matlabroot,'examples','stats')); [Xtrain,LabelTrain] = processMNISTdata(imageFileName,labelFileName);
Read MNIST image data... Number of images in the dataset: 10000 ... Each image is of 28 by 28 pixels... The image data is read to a matrix of dimensions: 10000 by 784... End of reading image data. Read MNIST label data... Number of labels in the dataset: 10000 ... The label data is read to a matrix of dimensions: 10000 by 1... End of reading label data.
Просмотрите несколько изображений.
rng('default') % For reproducibility numrows = size(Xtrain,1); ims = randi(numrows,4,1); imgs = Xtrain(ims,:); for i = 1:4 pp{i} = reshape(imgs(i,:),28,28); end ppf = [pp{1},pp{2};pp{3},pp{4}]; imshow(ppf);
Выберите New Feature Dimensions
Существует несколько факторов в выборе количества функций, чтобы извлечь:
Больше функций использует больше памяти и вычислительное время.
Меньше функций может произвести плохой классификатор.
В данном примере выберите 100 функций.
q = 100;
Извлеките функции
Существует две функции выделения признаков, sparsefilt и rica. Начните с функции sparsefilt. Определите номер итераций к 10 так, чтобы экстракция не занимала слишком много времени.
Как правило, вы получаете хорошие результаты путем выполнения алгоритма sparsefilt для нескольких итераций к нескольким сотням итераций. Выполнение алгоритма для слишком многих итераций может привести к уменьшенной точности классификации, типу сверхподходящей проблемы.
Используйте sparsefilt, чтобы получить разреженную модель фильтрации при использовании 10 итераций.
Mdl = sparsefilt(Xtrain,q,'IterationLimit',10);
Warning: Solver LBFGS was not able to converge to a solution.
sparsefilt предупреждает, что внутренний оптимизатор LBFGS не сходился. Оптимизатор не сходился, потому что вы устанавливаете предел итерации к 10. Тем не менее, можно использовать результат обучить классификатор.
Создайте классификатор
Преобразуйте исходные данные в представление новой возможности.
NewX = transform(Mdl,Xtrain);
Обучите линейный классификатор на основе преобразованных данных и правильных меток классификации в LabelTrain. Точность изученной модели чувствительна к параметру регуляризации fitcecoc Lambda. Попытайтесь найти оптимальное значение для Lambda при помощи пары "имя-значение" OptimizeHyperparameters. Следует иметь в виду, что эта оптимизация занимает время. Если у вас есть лицензия Parallel Computing Toolbox™, используйте параллельные вычисления для более быстрого выполнения. Если у вас нет параллельной лицензии, удалите вызовы UseParallel прежде, чем запустить этот скрипт.
t = templateLinear('Solver','lbfgs'); options = struct('UseParallel',true); Cmdl = fitcecoc(NewX,LabelTrain,'Learners',t, ... 'OptimizeHyperparameters',{'Lambda'}, ... 'HyperparameterOptimizationOptions',options);
Starting parallel pool (parpool) using the 'local' profile ...
Preserving jobs with IDs: 1 2 because they contain crash dump files.
You can use 'delete(myCluster.Jobs)' to remove all jobs created with profile local. To create 'myCluster' use 'myCluster = parcluster('local')'.
connected to 6 workers.
Copying objective function to workers...
Done copying objective function to workers.
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 1 | 6 | Best | 0.5777 | 7.4007 | 0.5777 | 0.5777 | 0.20606 |
| 2 | 5 | Accept | 0.8865 | 8.203 | 0.2041 | 0.27206 | 8.8234 |
| 3 | 5 | Best | 0.2041 | 8.7958 | 0.2041 | 0.27206 | 0.026804 |
| 4 | 6 | Best | 0.1077 | 14.377 | 0.1077 | 0.10773 | 1.7309e-09 |
| 5 | 6 | Best | 0.0962 | 14.766 | 0.0962 | 0.096203 | 0.0002442 |
| 6 | 6 | Accept | 0.2 | 6.4864 | 0.0962 | 0.096221 | 0.024847 |
| 7 | 6 | Accept | 0.2077 | 6.5173 | 0.0962 | 0.096222 | 0.029081 |
| 8 | 6 | Accept | 0.0977 | 22.173 | 0.0962 | 0.096215 | 8.0495e-06 |
| 9 | 6 | Accept | 0.1238 | 8.6482 | 0.0962 | 0.096199 | 0.002979 |
| 10 | 6 | Accept | 0.1082 | 12.894 | 0.0962 | 0.096198 | 4.3382e-09 |
| 11 | 6 | Accept | 0.1085 | 10.829 | 0.0962 | 0.096211 | 0.00085219 |
| 12 | 6 | Accept | 0.105 | 15.564 | 0.0962 | 0.09621 | 1.4124e-07 |
| 13 | 6 | Accept | 0.1058 | 12.765 | 0.0962 | 0.096187 | 2.079e-08 |
| 14 | 6 | Best | 0.0936 | 16.633 | 0.0936 | 0.093558 | 6.2283e-05 |
| 15 | 6 | Accept | 0.1026 | 18.202 | 0.0936 | 0.093551 | 1.4023e-06 |
| 16 | 6 | Accept | 0.0961 | 19.011 | 0.0936 | 0.093666 | 2.2152e-05 |
| 17 | 6 | Accept | 0.1084 | 12.674 | 0.0936 | 0.093663 | 1.0003e-09 |
| 18 | 6 | Accept | 0.1031 | 16.265 | 0.0936 | 0.093671 | 4.4527e-07 |
| 19 | 6 | Accept | 0.0937 | 14.016 | 0.0936 | 0.093696 | 0.00013015 |
| 20 | 6 | Best | 0.0914 | 15.769 | 0.0914 | 0.092549 | 8.6862e-05 |
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 21 | 6 | Accept | 0.8865 | 5.3391 | 0.0914 | 0.092543 | 1.6582 |
| 22 | 6 | Accept | 0.0942 | 17.642 | 0.0914 | 0.09256 | 4.7242e-05 |
| 23 | 6 | Accept | 0.093 | 15.341 | 0.0914 | 0.092615 | 0.000111 |
| 24 | 6 | Accept | 0.0921 | 16.01 | 0.0914 | 0.092512 | 9.8477e-05 |
| 25 | 6 | Accept | 0.1473 | 8.1332 | 0.0914 | 0.09247 | 0.0069786 |
| 26 | 6 | Accept | 0.1064 | 15.85 | 0.0914 | 0.092473 | 5.1858e-08 |
| 27 | 6 | Accept | 0.1009 | 12.464 | 0.0914 | 0.092506 | 0.00047376 |
| 28 | 6 | Accept | 0.1072 | 13.731 | 0.0914 | 0.092507 | 9.5565e-09 |
| 29 | 6 | Accept | 0.1003 | 21.702 | 0.0914 | 0.092508 | 3.3081e-06 |
| 30 | 6 | Accept | 0.1156 | 10.224 | 0.0914 | 0.09251 | 0.0016146 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 81.5517 seconds.
Total objective function evaluation time: 398.4276
Best observed feasible point:
Lambda
__________
8.6862e-05
Observed objective function value = 0.0914
Estimated objective function value = 0.09251
Function evaluation time = 15.7692
Best estimated feasible point (according to models):
Lambda
__________
9.8477e-05
Estimated objective function value = 0.09251
Estimated function evaluation time = 15.7884
Оцените классификатор
Проверяйте ошибку классификатора, когда применился к тестовым данным. Во-первых, загрузите тестовые данные.
imageFileName = 'train-images.idx3-ubyte'; labelFileName = 'train-labels.idx1-ubyte'; [Xtest,LabelTest] = processMNISTdata(imageFileName,labelFileName);
Read MNIST image data... Number of images in the dataset: 60000 ... Each image is of 28 by 28 pixels... The image data is read to a matrix of dimensions: 60000 by 784... End of reading image data. Read MNIST label data... Number of labels in the dataset: 60000 ... The label data is read to a matrix of dimensions: 60000 by 1... End of reading label data.
Вычислите потерю классификации при применении классификатора к тестовым данным.
TestX = transform(Mdl,Xtest); Loss = loss(Cmdl,TestX,LabelTest)
Loss =
0.1007
Это преобразование приводило к лучшему классификатору, чем один обученный на исходных данных? Создайте классификатор на основе исходных данных тренировки и оцените его потерю.
Omdl = fitcecoc(Xtrain,LabelTrain,'Learners',t, ... 'OptimizeHyperparameters',{'Lambda'}, ... 'HyperparameterOptimizationOptions',options); Losso = loss(Omdl,Xtest,LabelTest)
Copying objective function to workers...
Done copying objective function to workers.
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 1 | 4 | Best | 0.0779 | 46.584 | 0.0779 | 0.0779 | 1.3269e-06 |
| 2 | 4 | Accept | 0.0779 | 46.572 | 0.0779 | 0.0779 | 3.8643e-09 |
| 3 | 4 | Accept | 0.0779 | 46.606 | 0.0779 | 0.0779 | 5.7933e-08 |
| 4 | 6 | Accept | 0.0787 | 135.7 | 0.0779 | 0.0779 | 0.011605 |
| 5 | 6 | Best | 0.0775 | 139.22 | 0.0775 | 0.07798 | 0.00020291 |
| 6 | 6 | Accept | 0.0775 | 91.03 | 0.0775 | 0.0779 | 6.2603e-05 |
| 7 | 6 | Accept | 0.0779 | 45.04 | 0.0775 | 0.0779 | 1.0076e-09 |
| 8 | 6 | Best | 0.0774 | 143.5 | 0.0774 | 0.077458 | 0.00021639 |
| 9 | 6 | Accept | 0.0785 | 149.75 | 0.0774 | 0.077911 | 0.0025558 |
| 10 | 6 | Best | 0.0744 | 243.08 | 0.0744 | 0.074408 | 6.805 |
| 11 | 6 | Accept | 0.078 | 48.495 | 0.0744 | 0.074407 | 9.1498e-06 |
| 12 | 6 | Accept | 0.0782 | 110.37 | 0.0744 | 0.074552 | 8.8714e-05 |
| 13 | 6 | Accept | 0.0782 | 137.54 | 0.0744 | 0.074594 | 0.00020355 |
| 14 | 6 | Accept | 0.078 | 124.02 | 0.0744 | 0.074578 | 0.00012798 |
| 15 | 6 | Accept | 0.0789 | 135.76 | 0.0744 | 0.074558 | 0.0087103 |
| 16 | 6 | Accept | 0.0779 | 47.27 | 0.0744 | 0.074543 | 2.7051e-07 |
| 17 | 6 | Accept | 0.0767 | 131.38 | 0.0744 | 0.074525 | 0.23863 |
| 18 | 6 | Accept | 0.0761 | 214.2 | 0.0744 | 0.075167 | 3.197 |
| 19 | 6 | Best | 0.0729 | 249.91 | 0.0729 | 0.074075 | 9.9885 |
| 20 | 6 | Best | 0.0719 | 264.56 | 0.0719 | 0.073435 | 9.9979 |
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 21 | 6 | Accept | 0.0779 | 45.861 | 0.0719 | 0.073414 | 1.4821e-08 |
| 22 | 6 | Accept | 0.0757 | 162.35 | 0.0719 | 0.073399 | 0.98421 |
| 23 | 6 | Accept | 0.0734 | 258.31 | 0.0719 | 0.073386 | 9.9794 |
| 24 | 6 | Accept | 0.0779 | 45.468 | 0.0719 | 0.073374 | 3.4303e-06 |
| 25 | 6 | Accept | 0.0779 | 45.322 | 0.0719 | 0.073363 | 1.7972e-09 |
| 26 | 6 | Accept | 0.0784 | 54.892 | 0.0719 | 0.073362 | 2.262e-05 |
| 27 | 6 | Accept | 0.0787 | 119.62 | 0.0719 | 0.073333 | 0.061795 |
| 28 | 6 | Accept | 0.0779 | 45.514 | 0.0719 | 0.073324 | 1.256e-07 |
| 29 | 6 | Accept | 0.0779 | 44.712 | 0.0719 | 0.073316 | 6.0925e-07 |
| 30 | 6 | Accept | 0.0779 | 46.147 | 0.0719 | 0.073308 | 2.8315e-08 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 685.0741 seconds.
Total objective function evaluation time: 3418.7781
Best observed feasible point:
Lambda
______
9.9979
Observed objective function value = 0.0719
Estimated objective function value = 0.073308
Function evaluation time = 264.5614
Best estimated feasible point (according to models):
Lambda
______
9.9979
Estimated objective function value = 0.073308
Estimated function evaluation time = 257.1588
Losso =
0.0860
Классификатор на основе разреженной фильтрации имеет несколько более высокую потерю, чем классификатор на основе исходных данных. Однако классификатор использует только 100 функций, а не 784 функции в исходных данных, и намного быстрее, чтобы создать. Попытайтесь сделать лучший разреженный классификатор фильтрации путем увеличения q от 100 до 200, который все еще далек меньше чем 784.
q = 200; Mdl2 = sparsefilt(Xtrain,q,'IterationLimit',10); NewX = transform(Mdl2,Xtrain); TestX = transform(Mdl2,Xtest); Cmdl = fitcecoc(NewX,LabelTrain,'Learners',t, ... 'OptimizeHyperparameters',{'Lambda'}, ... 'HyperparameterOptimizationOptions',options); Loss2 = loss(Cmdl,TestX,LabelTest)
Warning: Solver LBFGS was not able to converge to a solution.
Copying objective function to workers...
Done copying objective function to workers.
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 1 | 6 | Best | 0.752 | 7.076 | 0.752 | 0.752 | 0.51767 |
| 2 | 5 | Accept | 0.8848 | 7.1285 | 0.752 | 0.80577 | 1.3049 |
| 3 | 5 | Accept | 0.7805 | 7.1223 | 0.752 | 0.80577 | 0.65215 |
| 4 | 6 | Best | 0.0648 | 9.0767 | 0.0648 | 0.064832 | 1.2719e-08 |
| 5 | 6 | Accept | 0.0981 | 12.339 | 0.0648 | 0.0648 | 0.0031356 |
| 6 | 6 | Accept | 0.8865 | 7.2604 | 0.0648 | 0.064956 | 3.8424 |
| 7 | 6 | Accept | 0.067 | 9.6393 | 0.0648 | 0.064907 | 1.0119e-09 |
| 8 | 6 | Best | 0.063 | 14.945 | 0.063 | 0.064454 | 1.08e-07 |
| 9 | 6 | Accept | 0.0654 | 9.8684 | 0.063 | 0.063178 | 4.9037e-09 |
| 10 | 6 | Accept | 0.0794 | 16.553 | 0.063 | 0.063254 | 0.00099236 |
| 11 | 6 | Best | 0.0589 | 28.416 | 0.0589 | 0.064721 | 6.1292e-06 |
| 12 | 6 | Accept | 0.066 | 9.5237 | 0.0589 | 0.059021 | 2.0984e-09 |
| 13 | 6 | Accept | 0.0639 | 10.891 | 0.0589 | 0.058997 | 3.3824e-08 |
| 14 | 6 | Accept | 0.0649 | 11.456 | 0.0589 | 0.058955 | 4.3995e-08 |
| 15 | 6 | Best | 0.0579 | 28.103 | 0.0579 | 0.058044 | 6.7158e-05 |
| 16 | 6 | Accept | 0.0626 | 18.265 | 0.0579 | 0.058045 | 2.8966e-07 |
| 17 | 6 | Accept | 0.0621 | 21.254 | 0.0579 | 0.058051 | 8.4821e-07 |
| 18 | 6 | Accept | 0.0615 | 25.528 | 0.0579 | 0.05803 | 2.2042e-06 |
| 19 | 6 | Accept | 0.0625 | 23.378 | 0.0579 | 0.05767 | 0.00026368 |
| 20 | 6 | Accept | 0.0579 | 34.905 | 0.0579 | 0.057878 | 1.6686e-05 |
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 21 | 6 | Best | 0.0563 | 35.465 | 0.0563 | 0.056888 | 3.384e-05 |
| 22 | 6 | Accept | 0.0576 | 34.846 | 0.0563 | 0.057376 | 1.1864e-05 |
| 23 | 6 | Best | 0.0561 | 34.431 | 0.0561 | 0.056574 | 3.6608e-05 |
| 24 | 6 | Accept | 0.0596 | 29.375 | 0.0561 | 0.056559 | 8.4588e-05 |
| 25 | 6 | Accept | 0.0589 | 26.658 | 0.0561 | 0.056567 | 0.00011552 |
| 26 | 6 | Accept | 0.1722 | 9.9144 | 0.0561 | 0.056611 | 0.028611 |
| 27 | 6 | Accept | 0.1302 | 11.6 | 0.0561 | 0.05662 | 0.0096846 |
| 28 | 6 | Accept | 0.8865 | 8.5102 | 0.0561 | 0.056652 | 9.9923 |
| 29 | 6 | Accept | 0.2314 | 8.0709 | 0.0561 | 0.056553 | 0.080409 |
| 30 | 6 | Accept | 0.0582 | 30.686 | 0.0561 | 0.05663 | 5.8332e-05 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 105.4513 seconds.
Total objective function evaluation time: 542.2851
Best observed feasible point:
Lambda
__________
3.6608e-05
Observed objective function value = 0.0561
Estimated objective function value = 0.05663
Function evaluation time = 34.4305
Best estimated feasible point (according to models):
Lambda
__________
3.6608e-05
Estimated objective function value = 0.05663
Estimated function evaluation time = 33.6933
Loss2 =
0.0686
На этот раз потеря классификации ниже, чем тот из исходного классификатора данных.
Попробуйте RICA
Попробуйте другую функцию выделения признаков, rica. Извлеките 200 функций, создайте классификатор и исследуйте его потерю на тестовых данных. Используйте больше итераций для функции rica, потому что rica может выполнить лучше с большим количеством итераций, чем использование sparsefilt.
Часто до выделения признаков, вы "предварительно белите" входные данные как шаг предварительной обработки данных. Шаг перед отбеливанием включает два, преобразовывает, декорреляция и стандартизация, которые заставляют предикторы иметь нулевое среднее значение и единичную ковариацию. поддержки rica только стандартизация преобразовывают. Вы используете аргумент пары "имя-значение" Standardize, чтобы заставить предикторы иметь нулевое среднее значение и модульное отклонение. Также можно преобразовать изображения для контрастной нормализации индивидуально путем применения преобразования zscore прежде, чем вызвать sparsefilt или rica.
Mdl3 = rica(Xtrain,q,'IterationLimit',400,'Standardize',true); NewX = transform(Mdl3,Xtrain); TestX = transform(Mdl3,Xtest); Cmdl = fitcecoc(NewX,LabelTrain,'Learners',t, ... 'OptimizeHyperparameters',{'Lambda'}, ... 'HyperparameterOptimizationOptions',options); Loss3 = loss(Cmdl,TestX,LabelTest)
Warning: Solver LBFGS was not able to converge to a solution.
Copying objective function to workers...
Done copying objective function to workers.
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 1 | 6 | Best | 0.1161 | 12.033 | 0.1161 | 0.1161 | 7.6382 |
| 2 | 6 | Best | 0.0801 | 13.23 | 0.0801 | 0.081824 | 1.0841e-09 |
| 3 | 6 | Best | 0.0797 | 13.7 | 0.0797 | 0.079717 | 2.1663e-09 |
| 4 | 6 | Best | 0.0788 | 20.336 | 0.0788 | 0.078804 | 3.5739e-05 |
| 5 | 6 | Best | 0.0765 | 21.716 | 0.0765 | 0.07651 | 9.6928e-05 |
| 6 | 6 | Best | 0.0644 | 26.986 | 0.0644 | 0.064403 | 0.055148 |
| 7 | 6 | Accept | 0.0808 | 13.69 | 0.0644 | 0.064403 | 1.6951e-08 |
| 8 | 6 | Accept | 0.0797 | 13.349 | 0.0644 | 0.064404 | 5.7503e-09 |
| 9 | 6 | Accept | 0.079 | 20.276 | 0.0644 | 0.064403 | 2.9526e-06 |
| 10 | 6 | Accept | 0.0801 | 13.71 | 0.0644 | 0.064403 | 1.9659e-07 |
| 11 | 6 | Accept | 0.066 | 24.9 | 0.0644 | 0.064394 | 0.22353 |
| 12 | 6 | Accept | 0.0767 | 31.617 | 0.0644 | 0.064397 | 0.00059309 |
| 13 | 6 | Accept | 0.0668 | 27.014 | 0.0644 | 0.064389 | 0.011664 |
| 14 | 6 | Accept | 0.0719 | 30.169 | 0.0644 | 0.064387 | 0.0031989 |
| 15 | 6 | Accept | 0.0654 | 26.338 | 0.0644 | 0.064399 | 0.026655 |
| 16 | 6 | Accept | 0.0733 | 31.345 | 0.0644 | 0.064218 | 0.0016414 |
| 17 | 6 | Best | 0.0643 | 25.532 | 0.0643 | 0.064239 | 0.11145 |
| 18 | 5 | Accept | 0.0648 | 26.839 | 0.0624 | 0.063728 | 0.098656 |
| 19 | 5 | Best | 0.0624 | 26.951 | 0.0624 | 0.063728 | 0.077975 |
| 20 | 6 | Accept | 0.0859 | 16.207 | 0.0624 | 0.063798 | 1.6125 |
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 21 | 6 | Accept | 0.0628 | 26.359 | 0.0624 | 0.063609 | 0.072374 |
| 22 | 6 | Accept | 0.0648 | 25.385 | 0.0624 | 0.063715 | 0.10981 |
| 23 | 6 | Accept | 0.0798 | 14.33 | 0.0624 | 0.063713 | 5.9972e-08 |
| 24 | 6 | Accept | 0.0802 | 20.475 | 0.0624 | 0.063712 | 7.095e-07 |
| 25 | 5 | Accept | 0.0702 | 20.18 | 0.0624 | 0.063739 | 0.47577 |
| 26 | 5 | Accept | 0.0782 | 19.979 | 0.0624 | 0.063739 | 9.7848e-06 |
| 27 | 6 | Best | 0.0619 | 26.638 | 0.0619 | 0.063479 | 0.074666 |
| 28 | 6 | Accept | 0.0624 | 26.768 | 0.0619 | 0.06335 | 0.073585 |
| 29 | 6 | Accept | 0.0992 | 13.079 | 0.0619 | 0.063361 | 3.8651 |
| 30 | 6 | Accept | 0.0807 | 13.742 | 0.0619 | 0.063362 | 3.2195e-08 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 119.988 seconds.
Total objective function evaluation time: 642.8708
Best observed feasible point:
Lambda
________
0.074666
Observed objective function value = 0.0619
Estimated objective function value = 0.063362
Function evaluation time = 26.6381
Best estimated feasible point (according to models):
Lambda
________
0.072374
Estimated objective function value = 0.063362
Estimated function evaluation time = 26.6488
Loss3 =
0.0746
rica - базирующийся классификатор имеет несколько более высокую тестовую потерю по сравнению с разреженным классификатором фильтрации.
Попытка больше функций
Функции выделения признаков имеют немного настраивающихся параметров. Один параметр, который может влиять на результаты, является количеством требуемых функций. Смотрите, как хорошо классификаторы работают когда на основе 1 000 функций, а не 200 функций, которые ранее попробовали или 784 функций в исходных данных. Использование большего количества функций, чем появляется в исходных данных, называется "сверхполным" изучением. С другой стороны использование меньшего количества функций называется изучением "undercomplete". Сверхполное изучение может привести к увеличенной точности классификации, в то время как изучение undercomplete может сохранить память и время.
q = 1000; Mdl4 = sparsefilt(Xtrain,q,'IterationLimit',10); NewX = transform(Mdl4,Xtrain); TestX = transform(Mdl4,Xtest); Cmdl = fitcecoc(NewX,LabelTrain,'Learners',t, ... 'OptimizeHyperparameters',{'Lambda'}, ... 'HyperparameterOptimizationOptions',options); Loss4 = loss(Cmdl,TestX,LabelTest)
Warning: Solver LBFGS was not able to converge to a solution.
Copying objective function to workers...
Done copying objective function to workers.
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 1 | 6 | Best | 0.8865 | 45.942 | 0.8865 | 0.8865 | 2.3989 |
| 2 | 6 | Accept | 0.8865 | 47.902 | 0.8865 | 0.8865 | 5.1401 |
| 3 | 6 | Best | 0.0432 | 51.794 | 0.0432 | 0.043283 | 2.4208e-08 |
| 4 | 6 | Accept | 0.0436 | 54.696 | 0.0432 | 0.042893 | 5.5091e-08 |
| 5 | 6 | Accept | 0.4011 | 40.1 | 0.0432 | 0.043226 | 0.14741 |
| 6 | 6 | Accept | 0.0958 | 89.542 | 0.0432 | 0.043225 | 0.0050411 |
| 7 | 5 | Accept | 0.1911 | 55.344 | 0.0432 | 0.043146 | 0.043771 |
| 8 | 5 | Accept | 0.0438 | 51.203 | 0.0432 | 0.043146 | 1.0001e-09 |
| 9 | 6 | Best | 0.043 | 51.389 | 0.043 | 0.04308 | 2.0493e-08 |
| 10 | 6 | Accept | 0.0434 | 53.469 | 0.043 | 0.043015 | 3.457e-09 |
| 11 | 6 | Best | 0.0427 | 53.882 | 0.0427 | 0.04302 | 8.2165e-09 |
| 12 | 6 | Best | 0.0425 | 87.783 | 0.0425 | 0.043036 | 1.5128e-07 |
| 13 | 6 | Accept | 0.0439 | 53.166 | 0.0425 | 0.043043 | 1.7564e-09 |
| 14 | 6 | Accept | 0.0429 | 53.46 | 0.0425 | 0.043086 | 1.2209e-08 |
| 15 | 6 | Accept | 0.0425 | 157.2 | 0.0425 | 0.043067 | 6.2143e-07 |
| 16 | 6 | Accept | 0.0515 | 163.53 | 0.0425 | 0.043077 | 0.0004333 |
| 17 | 6 | Accept | 0.0428 | 53.968 | 0.0425 | 0.042737 | 5.8696e-09 |
| 18 | 6 | Accept | 0.0426 | 67.358 | 0.0425 | 0.042733 | 8.9837e-08 |
| 19 | 6 | Best | 0.0399 | 285.58 | 0.0399 | 0.039883 | 1.8692e-05 |
| 20 | 6 | Accept | 0.0424 | 128.03 | 0.0399 | 0.039881 | 2.8446e-07 |
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 21 | 6 | Best | 0.0398 | 216.8 | 0.0398 | 0.039864 | 2.5713e-06 |
| 22 | 6 | Accept | 0.0444 | 208.6 | 0.0398 | 0.039835 | 0.00019319 |
| 23 | 6 | Accept | 0.0404 | 256.65 | 0.0398 | 0.039847 | 9.324e-05 |
| 24 | 6 | Best | 0.0397 | 276.9 | 0.0397 | 0.039688 | 7.0356e-06 |
| 25 | 6 | Accept | 0.041 | 189.17 | 0.0397 | 0.039809 | 1.2113e-06 |
| 26 | 6 | Best | 0.0393 | 299.66 | 0.0393 | 0.039338 | 4.1625e-05 |
| 27 | 6 | Best | 0.0391 | 250.98 | 0.0391 | 0.039321 | 4.0724e-06 |
| 28 | 6 | Accept | 0.0391 | 287.08 | 0.0391 | 0.03932 | 1.0931e-05 |
| 29 | 6 | Accept | 0.0396 | 239.51 | 0.0391 | 0.039462 | 3.5146e-06 |
| 30 | 6 | Accept | 0.0405 | 206.25 | 0.0391 | 0.03952 | 2.1295e-06 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 794.8129 seconds.
Total objective function evaluation time: 4076.9347
Best observed feasible point:
Lambda
__________
4.0724e-06
Observed objective function value = 0.0391
Estimated objective function value = 0.03952
Function evaluation time = 250.9821
Best estimated feasible point (according to models):
Lambda
__________
3.5146e-06
Estimated objective function value = 0.03952
Estimated function evaluation time = 238.7933
Loss4 =
0.0458
Классификатор на основе сверхполной разреженной фильтрации с 1 000 извлеченных функций имеет самую низкую тестовую потерю любого классификатора, все же протестированного.
Mdl5 = rica(Xtrain,q,'IterationLimit',400,'Standardize',true); NewX = transform(Mdl5,Xtrain); TestX = transform(Mdl5,Xtest); Cmdl = fitcecoc(NewX,LabelTrain,'Learners',t, ... 'OptimizeHyperparameters',{'Lambda'}, ... 'HyperparameterOptimizationOptions',options); Loss5 = loss(Cmdl,TestX,LabelTest)
Warning: Solver LBFGS was not able to converge to a solution.
Copying objective function to workers...
Done copying objective function to workers.
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 1 | 6 | Best | 0.0793 | 45.449 | 0.0793 | 0.0793 | 8.935e-09 |
| 2 | 6 | Best | 0.0787 | 146.84 | 0.0787 | 0.079 | 1.4834e-05 |
| 3 | 6 | Best | 0.0779 | 149.38 | 0.0779 | 0.078633 | 4.1948e-06 |
| 4 | 6 | Best | 0.0777 | 153.15 | 0.0777 | 0.0777 | 2.6573e-06 |
| 5 | 6 | Best | 0.0735 | 171.35 | 0.0735 | 0.0735 | 0.62958 |
| 6 | 6 | Accept | 0.1263 | 95.035 | 0.0735 | 0.073503 | 9.9845 |
| 7 | 6 | Accept | 0.0786 | 141.65 | 0.0735 | 0.073504 | 7.8708e-06 |
| 8 | 6 | Accept | 0.078 | 147.28 | 0.0735 | 0.073504 | 3.4442e-05 |
| 9 | 6 | Accept | 0.0788 | 151.31 | 0.0735 | 0.073504 | 7.0238e-07 |
| 10 | 6 | Accept | 0.0772 | 260.81 | 0.0735 | 0.073504 | 0.00033302 |
| 11 | 6 | Best | 0.0692 | 310.13 | 0.0692 | 0.069203 | 0.0017533 |
| 12 | 6 | Accept | 0.079 | 45.189 | 0.0692 | 0.069203 | 1.0004e-09 |
| 13 | 6 | Accept | 0.0791 | 43.562 | 0.0692 | 0.069203 | 6.8221e-08 |
| 14 | 6 | Accept | 0.0791 | 44.776 | 0.0692 | 0.069204 | 2.6499e-09 |
| 15 | 6 | Accept | 0.09 | 129.34 | 0.0692 | 0.069206 | 2.1641 |
| 16 | 6 | Accept | 0.0786 | 49.025 | 0.0692 | 0.069206 | 2.0818e-07 |
| 17 | 6 | Best | 0.0675 | 211.67 | 0.0675 | 0.067494 | 0.21351 |
| 18 | 6 | Best | 0.0651 | 233.43 | 0.0651 | 0.065096 | 0.056995 |
| 19 | 6 | Accept | 0.0692 | 252.72 | 0.0651 | 0.065116 | 0.010482 |
| 20 | 6 | Accept | 0.0653 | 246.18 | 0.0651 | 0.065116 | 0.099991 |
|================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | Lambda |
| | workers | result | | runtime | (observed) | (estim.) | |
|================================================================================================|
| 21 | 6 | Accept | 0.0692 | 285.39 | 0.0651 | 0.065109 | 0.0042157 |
| 22 | 6 | Accept | 0.0791 | 192.95 | 0.0651 | 0.06511 | 0.00011073 |
| 23 | 6 | Accept | 0.0672 | 221.33 | 0.0651 | 0.065121 | 0.024284 |
| 24 | 6 | Accept | 0.0796 | 46.336 | 0.0651 | 0.065122 | 2.4318e-08 |
| 25 | 6 | Accept | 0.0686 | 265.9 | 0.0651 | 0.065224 | 0.0072737 |
| 26 | 6 | Accept | 0.066 | 245.17 | 0.0651 | 0.065462 | 0.069576 |
| 27 | 6 | Best | 0.065 | 233.62 | 0.065 | 0.065338 | 0.070537 |
| 28 | 6 | Accept | 0.0652 | 236.22 | 0.065 | 0.065304 | 0.069455 |
| 29 | 6 | Accept | 0.079 | 46.072 | 0.065 | 0.065301 | 1.5309e-09 |
| 30 | 6 | Accept | 0.0662 | 221.53 | 0.065 | 0.065311 | 0.038733 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 985.7708 seconds.
Total objective function evaluation time: 5022.8042
Best observed feasible point:
Lambda
________
0.070537
Observed objective function value = 0.065
Estimated objective function value = 0.065311
Function evaluation time = 233.6229
Best estimated feasible point (according to models):
Lambda
________
0.070537
Estimated objective function value = 0.065311
Estimated function evaluation time = 239.1365
Loss5 =
0.0741
Классификатор на основе RICA с 1 000 извлеченных функций имеет подобную тестовую потерю для классификатора RICA на основе 200 извлеченных функций.
Оптимизируйте гиперпараметры при помощи bayesopt
Функции выделения признаков имеют эти настраивающие параметры:
Предел итерации
Функция, или
ricaилиsparsefiltПараметр
LambdaКоличество изученных функций
q
Параметр регуляризации fitcecoc также влияет на точность изученного классификатора. Включайте тот параметр в список гиперпараметров также.
Чтобы искать среди доступных параметров эффективно, попробуйте bayesopt. Используйте следующую целевую функцию, которая включает параметры, переданные из рабочей области.
function objective = filterica(x,Xtrain,Xtest,LabelTrain,LabelTest,winit) initW = winit(1:size(Xtrain,2),1:x.q); if char(x.solver) == 'r' Mdl = rica(Xtrain,x.q,'Lambda',x.lambda,'IterationLimit',x.iterlim, ... 'InitialTransformWeights',initW,'Standardize',true); else Mdl = sparsefilt(Xtrain,x.q,'Lambda',x.lambda,'IterationLimit',x.iterlim, ... 'InitialTransformWeights',initW); end NewX = transform(Mdl,Xtrain); TestX = transform(Mdl,Xtest); t = templateLinear('Lambda',x.lambdareg,'Solver','lbfgs'); Cmdl = fitcecoc(NewX,LabelTrain,'Learners',t); objective = loss(Cmdl,TestX,LabelTest);
Чтобы удалить источники изменения, зафиксируйте начальную матрицу веса преобразования.
W = randn(1e4,1e3);
Создайте гиперпараметры для целевой функции.
iterlim = optimizableVariable('iterlim',[5,500],'Type','integer'); lambda = optimizableVariable('lambda',[0,10]); solver = optimizableVariable('solver',{'r','s'},'Type','categorical'); qvar = optimizableVariable('q',[10,1000],'Type','integer'); lambdareg = optimizableVariable('lambdareg',[1e-6,1],'Transform','log'); vars = [iterlim,lambda,solver,qvar,lambdareg];
Запустите оптимизацию без предупреждений, которые происходят, когда внутренняя оптимизация не выполнение до завершения. Запуститесь для 60 итераций вместо значения по умолчанию 30, чтобы дать оптимизации лучший шанс определения местоположения хорошего значения.
warning('off','stats:classreg:learning:fsutils:Solver:LBFGSUnableToConverge'); results = bayesopt(@(x) filterica(x,Xtrain,Xtest,LabelTrain,LabelTest,W),vars, ... 'UseParallel',true,'MaxObjectiveEvaluations',60); warning('on','stats:classreg:learning:fsutils:Solver:LBFGSUnableToConverge');
Copying objective function to workers...
Done copying objective function to workers.
|============================================================================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | iterlim | lambda | solver | q | lambdareg |
| | workers | result | | runtime | (observed) | (estim.) | | | | | |
|============================================================================================================================================================|
| 1 | 6 | Best | 0.53748 | 25.011 | 0.53748 | 0.53748 | 25 | 6.0656 | s | 289 | 0.23908 |
| 2 | 6 | Best | 0.090079 | 117.88 | 0.090079 | 0.12404 | 44 | 3.1617 | r | 805 | 1.1979e-06 |
| 3 | 6 | Accept | 0.094795 | 128.8 | 0.090079 | 0.090738 | 166 | 7.5437 | s | 364 | 3.4071e-05 |
| 4 | 6 | Accept | 0.091667 | 140.48 | 0.090079 | 0.090124 | 367 | 7.6065 | r | 147 | 1.6194e-06 |
| 5 | 6 | Accept | 0.092124 | 122.07 | 0.090079 | 0.090351 | 203 | 0.43563 | r | 216 | 6.6615e-05 |
| 6 | 6 | Best | 0.079954 | 55.372 | 0.079954 | 0.079961 | 59 | 7.9869 | r | 287 | 0.0082234 |
| 7 | 6 | Accept | 0.087518 | 107.37 | 0.079954 | 0.080013 | 196 | 4.2311 | r | 204 | 0.99846 |
| 8 | 6 | Accept | 0.1044 | 262.5 | 0.079954 | 0.079955 | 219 | 5.3425 | s | 582 | 0.00013924 |
| 9 | 6 | Accept | 0.08908 | 236.96 | 0.079954 | 0.079954 | 118 | 4.1448 | r | 736 | 1.0006e-06 |
| 10 | 6 | Best | 0.073399 | 357.09 | 0.073399 | 0.073454 | 453 | 7.1495 | r | 312 | 0.11334 |
| 11 | 6 | Accept | 0.27723 | 700.19 | 0.073399 | 0.073682 | 492 | 3.3605 | s | 784 | 0.026698 |
| 12 | 6 | Accept | 0.098615 | 495.45 | 0.073399 | 0.073412 | 280 | 2.3508 | s | 873 | 1.0023e-06 |
| 13 | 6 | Accept | 0.26445 | 16.279 | 0.073399 | 0.073415 | 178 | 4.9932 | s | 25 | 1.0482e-06 |
| 14 | 6 | Accept | 0.086335 | 463.99 | 0.073399 | 0.073415 | 436 | 8.1715 | r | 416 | 0.0010325 |
| 15 | 6 | Accept | 0.073897 | 165.19 | 0.073399 | 0.073453 | 156 | 7.901 | r | 390 | 0.072626 |
| 16 | 6 | Best | 0.0542 | 63.842 | 0.0542 | 0.054204 | 11 | 8.0353 | s | 646 | 8.8572e-06 |
| 17 | 6 | Accept | 0.13236 | 9.7164 | 0.0542 | 0.054172 | 100 | 2.1079 | r | 14 | 0.060744 |
| 18 | 6 | Accept | 0.089937 | 121.57 | 0.0542 | 0.054184 | 38 | 3.14 | r | 1000 | 1.0338e-06 |
| 19 | 6 | Accept | 0.095321 | 26.666 | 0.0542 | 0.054188 | 17 | 0.42316 | r | 364 | 1.0253e-06 |
| 20 | 6 | Accept | 0.075511 | 663.85 | 0.0542 | 0.054177 | 263 | 5.7366 | r | 964 | 0.030268 |
|============================================================================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | iterlim | lambda | solver | q | lambdareg |
| | workers | result | | runtime | (observed) | (estim.) | | | | | |
|============================================================================================================================================================|
| 21 | 6 | Accept | 0.11003 | 924.74 | 0.0542 | 0.054227 | 495 | 0.46688 | s | 986 | 1.0927e-05 |
| 22 | 6 | Best | 0.052359 | 73.155 | 0.052359 | 0.052321 | 36 | 0.60555 | s | 539 | 4.5956e-06 |
| 23 | 6 | Accept | 0.12494 | 358.25 | 0.052359 | 0.052541 | 347 | 0.56663 | s | 509 | 1.0309e-06 |
| 24 | 6 | Best | 0.049896 | 78.397 | 0.049896 | 0.049868 | 27 | 1.2167 | s | 657 | 1.0109e-05 |
| 25 | 6 | Accept | 0.082211 | 88.012 | 0.049896 | 0.049877 | 40 | 9.5342 | r | 684 | 0.64687 |
| 26 | 6 | Accept | 0.13766 | 4.1461 | 0.049896 | 0.049929 | 13 | 7.7307 | r | 15 | 5.0522e-06 |
| 27 | 6 | Accept | 0.091505 | 76.834 | 0.049896 | 0.04993 | 9 | 2.2992 | r | 998 | 0.00017959 |
| 28 | 6 | Accept | 0.083367 | 377.72 | 0.049896 | 0.049922 | 185 | 8.1762 | r | 745 | 0.0014168 |
| 29 | 6 | Accept | 0.050204 | 36.144 | 0.049896 | 0.049954 | 7 | 0.2251 | s | 508 | 1.1083e-05 |
| 30 | 6 | Accept | 0.050111 | 94.69 | 0.049896 | 0.049853 | 13 | 0.53243 | s | 944 | 5.0925e-06 |
| 31 | 6 | Accept | 0.049967 | 80.205 | 0.049896 | 0.049843 | 27 | 2.2348 | s | 607 | 7.0124e-06 |
| 32 | 6 | Accept | 0.051483 | 73.96 | 0.049896 | 0.049913 | 8 | 0.69257 | s | 764 | 3.1935e-06 |
| 33 | 6 | Accept | 0.055065 | 59.315 | 0.049896 | 0.049209 | 6 | 1.8426 | s | 609 | 7.2764e-06 |
| 34 | 6 | Accept | 0.085603 | 646.71 | 0.049896 | 0.049199 | 259 | 8.6047 | r | 997 | 0.91997 |
| 35 | 6 | Accept | 0.055191 | 64.876 | 0.049896 | 0.050181 | 8 | 1.1415 | s | 657 | 7.3292e-06 |
| 36 | 6 | Accept | 0.053131 | 78.86 | 0.049896 | 0.050183 | 9 | 2.6527 | s | 804 | 6.1887e-06 |
| 37 | 6 | Accept | 0.086441 | 972.66 | 0.049896 | 0.050138 | 496 | 4.6939 | r | 770 | 0.98435 |
| 38 | 6 | Accept | 0.11435 | 559.73 | 0.049896 | 0.050126 | 477 | 5.0497 | s | 584 | 5.5909e-06 |
| 39 | 6 | Accept | 0.061942 | 56.196 | 0.049896 | 0.05003 | 6 | 7.0536 | s | 537 | 1.2679e-05 |
| 40 | 6 | Accept | 0.050695 | 146.19 | 0.049896 | 0.049991 | 38 | 0.4489 | s | 973 | 3.1555e-05 |
|============================================================================================================================================================|
| Iter | Active | Eval | Objective | Objective | BestSoFar | BestSoFar | iterlim | lambda | solver | q | lambdareg |
| | workers | result | | runtime | (observed) | (estim.) | | | | | |
|============================================================================================================================================================|
| 41 | 6 | Accept | 0.063993 | 67.757 | 0.049896 | 0.04959 | 6 | 7.4843 | s | 557 | 7.2367e-06 |
| 42 | 6 | Accept | 0.052216 | 67.695 | 0.049896 | 0.050079 | 9 | 0.22962 | s | 590 | 1.13e-05 |
| 43 | 6 | Accept | 0.050459 | 106.06 | 0.049896 | 0.05057 | 8 | 9.7543 | s | 992 | 3.926e-06 |
| 44 | 6 | Accept | 0.080488 | 73.663 | 0.049896 | 0.050185 | 8 | 2.7259 | s | 992 | 5.2108e-05 |
| 45 | 6 | Accept | 0.33271 | 3.0724 | 0.049896 | 0.049921 | 10 | 9.3682 | s | 12 | 0.0053374 |
| 46 | 6 | Accept | 0.050062 | 117.69 | 0.049896 | 0.049974 | 14 | 5.7044 | s | 963 | 4.3362e-06 |
| 47 | 6 | Accept | 0.052068 | 84.789 | 0.049896 | 0.050235 | 9 | 1.1243 | s | 775 | 4.4925e-06 |
| 48 | 6 | Accept | 0.2018 | 3.8272 | 0.049896 | 0.049958 | 10 | 1.3355 | s | 18 | 0.00048666 |
| 49 | 6 | Accept | 0.16043 | 4.6847 | 0.049896 | 0.050023 | 11 | 1.695 | r | 13 | 0.00031978 |
| 50 | 6 | Best | 0.049641 | 114.53 | 0.049641 | 0.049857 | 18 | 1.7006 | s | 890 | 1.7471e-05 |
| 51 | 6 | Accept | 0.7381 | 4.4077 | 0.049641 | 0.049978 | 20 | 1.1795 | s | 16 | 0.55346 |
| 52 | 6 | Best | 0.049122 | 126.93 | 0.049122 | 0.046892 | 11 | 4.4034 | s | 997 | 1.2552e-05 |
| 53 | 6 | Accept | 0.11509 | 5.5331 | 0.049122 | 0.046928 | 10 | 6.1473 | r | 32 | 0.66147 |
| 54 | 6 | Accept | 0.13896 | 5.3982 | 0.049122 | 0.046931 | 16 | 9.9908 | r | 14 | 1.0093e-06 |
| 55 | 6 | Accept | 0.089654 | 1184 | 0.049122 | 0.047014 | 461 | 9.1226 | r | 998 | 9.5657e-05 |
| 56 | 6 | Accept | 0.13288 | 6.7787 | 0.049122 | 0.04717 | 24 | 5.1783 | s | 34 | 1.5146e-05 |
| 57 | 6 | Accept | 0.088281 | 7.071 | 0.049122 | 0.049622 | 12 | 9.9207 | r | 46 | 0.0070647 |
| 58 | 6 | Accept | 0.14073 | 4.7475 | 0.049122 | 0.05038 | 6 | 0.88866 | s | 27 | 1.0616e-06 |
| 59 | 6 | Accept | 0.10047 | 6.3818 | 0.049122 | 0.050379 | 14 | 9.9281 | r | 30 | 4.9647e-05 |
| 60 | 6 | Accept | 0.049743 | 123.64 | 0.049122 | 0.049364 | 13 | 2.1134 | s | 985 | 2.6744e-06 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 60 reached.
Total function evaluations: 60
Total elapsed time: 1929.959 seconds.
Total objective function evaluation time: 11249.722
Best observed feasible point:
iterlim lambda solver q lambdareg
_______ ______ ______ ___ __________
11 4.4034 s 997 1.2552e-05
Observed objective function value = 0.049122
Estimated objective function value = 0.049364
Function evaluation time = 126.9278
Best estimated feasible point (according to models):
iterlim lambda solver q lambdareg
_______ ______ ______ ___ __________
27 1.2167 s 657 1.0109e-05
Estimated objective function value = 0.049364
Estimated function evaluation time = 81.6216
Получившийся классификатор не имеет, лучше (понижают) потерю, чем классификатор с помощью sparsefilt для 1 000 функций, обученных 10 итерациям.
Просмотрите коэффициенты фильтра для лучших гиперпараметров, которые нашел bayesopt. Получившиеся изображения показывают формы извлеченных функций. Эти формы являются распознаваемыми как фрагменты рукописных цифр.
Xtbl = results.XAtMinObjective; Q = Xtbl.q; initW = W(1:size(Xtrain,2),1:Q); if char(Xtbl.solver) == 'r' Mdl = rica(Xtrain,Q,'Lambda',Xtbl.lambda,'IterationLimit',Xtbl.iterlim, ... 'InitialTransformWeights',initW,'Standardize',true); else Mdl = sparsefilt(Xtrain,Q,'Lambda',Xtbl.lambda,'IterationLimit',Xtbl.iterlim, ... 'InitialTransformWeights',initW); end Wts = Mdl.TransformWeights; Wts = reshape(Wts,[28,28,Q]); [dx,dy,~,~] = size(Wts); for f = 1:Q Wvec = Wts(:,:,f); Wvec = Wvec(:); Wvec =(Wvec - min(Wvec))/(max(Wvec) - min(Wvec)); Wts(:,:,f) = reshape(Wvec,dx,dy); end m = ceil(sqrt(Q)); n = m; img = zeros(m*dx,n*dy); f = 1; for i = 1:m for j = 1:n if (f <= Q) img((i-1)*dx+1:i*dx,(j-1)*dy+1:j*dy,:) = Wts(:,:,f); f = f+1; end end end imshow(img);
Warning: Solver LBFGS was not able to converge to a solution.
Удалите директорию функций processMNISTdata и filterica от пути поиска файлов.
rmpath(fullfile(matlabroot,'examples','stats'));
Код для чтения данных MNIST
Код функции, которая считывает данные в рабочую область:
function [X,L] = processMNISTdata(imageFileName,labelFileName) [fileID,errmsg] = fopen(imageFileName,'r','b'); if fileID < 0 error(errmsg); end %% % First read the magic number. This number is 2051 for image data, and % 2049 for label data magicNum = fread(fileID,1,'int32',0,'b'); if magicNum == 2051 fprintf('\nRead MNIST image data...\n') end %% % Then read the number of images, number of rows, and number of columns numImages = fread(fileID,1,'int32',0,'b'); fprintf('Number of images in the dataset: %6d ...\n',numImages); numRows = fread(fileID,1,'int32',0,'b'); numCols = fread(fileID,1,'int32',0,'b'); fprintf('Each image is of %2d by %2d pixels...\n',numRows,numCols); %% % Read the image data X = fread(fileID,inf,'unsigned char'); %% % Reshape the data to array X X = reshape(X,numCols,numRows,numImages); X = permute(X,[2 1 3]); %% % Then flatten each image data into a 1 by (numRows*numCols) vector, and % store all the image data into a numImages by (numRows*numCols) array. X = reshape(X,numRows*numCols,numImages)'; fprintf(['The image data is read to a matrix of dimensions: %6d by %4d...\n',... 'End of reading image data.\n'],size(X,1),size(X,2)); %% % Close the file fclose(fileID); %% % Similarly, read the label data. [fileID,errmsg] = fopen(labelFileName,'r','b'); if fileID < 0 error(errmsg); end magicNum = fread(fileID,1,'int32',0,'b'); if magicNum == 2049 fprintf('\nRead MNIST label data...\n') end numItems = fread(fileID,1,'int32',0,'b'); fprintf('Number of labels in the dataset: %6d ...\n',numItems); L = fread(fileID,inf,'unsigned char'); fprintf(['The label data is read to a matrix of dimensions: %6d by %2d...\n',... 'End of reading label data.\n'],size(L,1),size(L,2)); fclose(fileID);
Смотрите также
ReconstructionICA | SparseFiltering | rica | sparsefilt