Предскажите целевую функцию при наборе точек
В этом примере показано, как оценить потерю перекрестной проверки оптимизированного классификатора.
Оптимизируйте классификатор KNN для ionosphere данные, значение находит 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 AcquisitionFunctionName опция 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');
Составьте таблицу точек, чтобы оценить.
b = categorical({'chebychev','euclidean','minkowski'});
n = [1;1;1;4;2;2];
dst = [b(1);b(2);b(3);b(1);b(1);b(3)];
XTable = table(n,dst);Оцените объективное и стандартное отклонение цели в этих точках.
[objective,sigma] = predictObjective(results,XTable); [XTable,table(objective,sigma)]
ans=6×4 table
n dst objective sigma
_ _________ _________ _________
1 chebychev 0.12132 0.0068029
1 euclidean 0.14052 0.0079128
1 minkowski 0.14057 0.0079117
4 chebychev 0.1227 0.0068805
2 chebychev 0.12176 0.0066739
2 minkowski 0.1437 0.0075448