Извлечение признаков разреженной фильтрацией
SparseFiltering использует разреженную фильтрацию, чтобы изучить преобразование, которое сопоставляет входные предикторы с новыми предикторами.
Создайте SparseFiltering объект с помощью sparsefilt функция.
FitInfo — Подходящая историяЭто свойство доступно только для чтения.
Подходящая история, возвращенная как структура с двумя полями:
Iteration — Числа итерации от 0 до итоговой итерации.
Objective — Значение целевой функции в каждой соответствующей итерации. Итерация 0 соответствует начальным значениям перед любым подбором кривой.
Типы данных: struct
InitialTransformWeights — Начальные веса преобразования функцииp- q матрицаЭто свойство доступно только для чтения.
Начальные веса преобразования функции, возвращенные как p- q матрица, где p количество предикторов, переданных в X и q количество функций, которые вы хотите. Эти веса являются начальными весами, переданными функции создания. Тип данных является одним когда обучающие данные X является одним.
Типы данных: single | double
ModelParameters — Параметры используются в учебной моделиЭто свойство доступно только для чтения.
Параметры использовали в обучении модель, возвращенную как структура. Структура содержит подмножество полей, которое соответствует sparsefilt пары "имя-значение", которые были в действительности во время создания модели:
IterationLimit
VerbosityLevel
Lambda
Standardize
GradientTolerance
StepTolerance
Для получения дополнительной информации смотрите sparsefilt пары "имя-значение" в документации.
Типы данных: struct
Mu — Предиктор означает при стандартизацииp- 1 векторЭто свойство доступно только для чтения.
Средние значения предиктора при стандартизации, возвратились как p- 1 вектор. Это свойство непусто когда Standardize парой "имя-значение" является true при создании модели. Значение является вектором средних значений предиктора в обучающих данных. Тип данных является одним когда обучающие данные X является одним.
Типы данных: single | double
NumLearnedFeatures — Количество выходных функцийЭто свойство доступно только для чтения.
Количество выходных функций, возвращенных как положительное целое число. Этим значением является q аргумент передал 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 к функции создания.
Типы данных: double
Sigma — Стандартные отклонения предиктора при стандартизацииp- 1 векторЭто свойство доступно только для чтения.
Стандартные отклонения предиктора при стандартизации, возвратились как p- 1 вектор. Это свойство непусто когда Standardize парой "имя-значение" является true при создании модели. Значение является вектором стандартных отклонений предиктора в обучающих данных. Тип данных является одним когда обучающие данные X является одним.
Типы данных: single | double
TransformWeights — Покажите веса преобразованияp- q матрицаЭто свойство доступно только для чтения.
Покажите веса преобразования, возвращенные как p- q матрица, где p количество предикторов, переданных в X и q количество функций, которые вы хотите. Тип данных является одним когда обучающие данные X является одним.
Типы данных: single | double
transform | Преобразуйте предикторы в извлеченные функции |
Создайте SparseFiltering объект при помощи sparsefilt функция.
Загрузите SampleImagePatches отобразите закрашенные фигуры.
data = load('SampleImagePatches');
size(data.X)ans = 1×2
5000 363
Существует 5 000 закрашенных фигур изображений, каждый содержащий 363 функции.
Извлеките 100 функций из данных.
rng default % For reproducibility Q = 100; obj = sparsefilt(data.X,Q,'IterationLimit',100)
Warning: Solver LBFGS was not able to converge to a solution.
obj =
SparseFiltering
ModelParameters: [1x1 struct]
NumPredictors: 363
NumLearnedFeatures: 100
Mu: []
Sigma: []
FitInfo: [1x1 struct]
TransformWeights: [363x100 double]
InitialTransformWeights: []
Properties, Methods
sparsefilt выдает предупреждение, потому что оно остановилось 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 вызова transform функция.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
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.