Класс: FeatureSelectionNCAClassification
Переоборудуйте модель анализа компонента окружения (NCA) для классификации
mdlrefit = refit(mdl,Name,Value)
переоборудует модель mdlrefit
= refit(mdl
,Name,Value
)mdl
, модифицированными параметрами, заданными одним или несколькими Name,Value
парные аргументы.
mdl
— Аналитическая модель компонента окружения для классификацииFeatureSelectionNCAClassification
объектАналитическая модель компонента окружения или классификация в виде FeatureSelectionNCAClassification
объект.
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'FitMethod'
— Метод для того, чтобы подбирать модельmdl.FitMethod
(значение по умолчанию) | 'exact'
| 'none'
| 'average'
Метод для того, чтобы подбирать модель в виде разделенной запятой пары, состоящей из 'FitMethod'
и одно из следующих.
'exact'
— Выполняет подбор кривой с помощью всех данных.
'none'
— Никакой подбор кривой. Используйте эту опцию, чтобы оценить ошибку обобщения модели NCA с помощью начальных весов функции, предоставленных в вызове fscnca
.
'average'
— Функция делит данные на разделы (подмножества), соответствует каждому разделу с помощью exact
метод, и возвращает среднее значение весов функции. Можно задать количество разделов с помощью NumPartitions
аргумент пары "имя-значение".
Пример: 'FitMethod','none'
'Lambda'
— Параметр регуляризацииmdl.Lambda
(значение по умолчанию) | неотрицательное скалярное значениеПараметр регуляризации в виде разделенной запятой пары, состоящей из 'Lambda'
и неотрицательное скалярное значение.
Для наблюдений n, лучшего Lambda
значение, которое минимизирует ошибку обобщения модели NCA, как ожидают, будет кратным 1/n
Пример: 'Lambda',0.01
Типы данных: double |
single
'Solver'
— Тип решателяmdl.Solver
(значение по умолчанию) | 'lbfgs'
| 'sgd'
| 'minibatch-lbfgs'
Тип решателя для оценки весов функции в виде разделенной запятой пары, состоящей из 'Solver'
и одно из следующих.
'lbfgs'
— Ограниченная память BFGS (Бройден Флетчер Голдфарб Шэнно) алгоритм (алгоритм LBFGS)
'sgd'
— Стохастический градиентный спуск
'minibatch-lbfgs'
— Стохастический градиентный спуск с алгоритмом LBFGS применился к мини-пакетам
Пример: 'solver','minibatch-lbfgs'
'InitialFeatureWeights'
— Начальные веса функцииmdl.InitialFeatureWeights
(значение по умолчанию) | p-by-1 вектор действительных значений положительной скалярной величиныНачальные веса функции в виде разделенной запятой пары, состоящей из 'InitialFeatureWeights'
и p-by-1 вектор действительных значений положительной скалярной величины.
Типы данных: double |
single
'Verbose'
— Индикатор для уровня многословияmdl.Verbose
(значение по умолчанию) | 0 | 1 |> 1Индикатор для уровня многословия для отображения сводных данных сходимости в виде разделенной запятой пары, состоящей из 'Verbose'
и одно из следующих.
0 — Никакие сводные данные сходимости
1 — сводные данные Сходимости включая номер итерации, норму градиента и значение целевой функции.
> 1 — Больше информации о сходимости в зависимости от алгоритма подбора
При использовании решателя 'minibatch-lbfgs'
и уровень многословия> 1, информация о сходимости включает журнал итерации от промежуточных мини-пакетных подгонок LBFGS.
Пример: 'Verbose',2
Типы данных: double |
single
'GradientTolerance'
— Относительный допуск сходимостиmdl.GradientTolerance
(значение по умолчанию) | положительное действительное скалярное значениеОтносительный допуск сходимости на норме градиента для решателя lbfgs
В виде разделенной запятой пары, состоящей из 'GradientTolerance'
и положительное действительное скалярное значение.
Пример: 'GradientTolerance',0.00001
Типы данных: double |
single
'InitialLearningRate'
— Начальная скорость обучения для решателя sgd
mdl.InitialLearningRate
(значение по умолчанию) | положительное действительное скалярное значениеНачальная скорость обучения для решателя sgd
В виде разделенной запятой пары, состоящей из 'InitialLearningRate'
и значение положительной скалярной величины.
При использовании решателя вводят 'sgd'
, скорость обучения затухает по итерациям начиная со значения, заданного для 'InitialLearningRate'
.
Пример: 'InitialLearningRate',0.8
Типы данных: double |
single
'PassLimit'
— Максимальное количество передач для решателя 'sgd'
mdl.PassLimit
(значение по умолчанию) | положительное целочисленное значение Максимальное количество передач для решателя 'sgd'
(стохастический градиентный спуск) в виде разделенной запятой пары, состоящей из 'PassLimit'
и положительное целое число. Каждая передача процессы size(mdl.X,1)
наблюдения.
Пример: 'PassLimit',10
Типы данных: double |
single
'IterationLimit'
— Максимальное количество итерацийmdl.IterationLimit
(значение по умолчанию) | положительное целочисленное значениеМаксимальное количество итераций в виде разделенной запятой пары, состоящей из 'IterationLimit'
и положительное целое число.
Пример: 'IterationLimit',250
Типы данных: double |
single
mdlrefit
— Аналитическая модель компонента окружения для классификацииFeatureSelectionNCAClassification
объектАналитическая модель компонента окружения для классификации, возвращенной как FeatureSelectionNCAClassification
объект. Можно или сохранить результаты как новую модель или обновить существующую модель как mdl = refit(mdl,Name,Value)
.
Сгенерируйте данные о шахматной доске с помощью generateCheckerBoardData.m
функция.
rng(2016,'twister'); % For reproducibility pps = 1375; [X,y] = generateCheckerBoardData(pps); X = X + 2;
Отобразите данные на графике.
figure plot(X(y==1,1),X(y==1,2),'rx') hold on plot(X(y==-1,1),X(y==-1,2),'bx') [n,p] = size(X)
n = 22000 p = 2
Добавьте несоответствующие предикторы в данные.
Q = 98; Xrnd = unifrnd(0,4,n,Q); Xobs = [X,Xrnd];
Эта часть кода создает 98 дополнительных предикторов, все равномерно распределенные между 0 и 4.
Разделите данные в наборы обучающих данных и наборы тестов. Создать расслоенные разделы, так, чтобы каждый раздел имел подобную пропорцию классов, y
использования вместо
length(y)
как критерии разделения.
cvp = cvpartition(y,'holdout',2000);
cvpartition
случайным образом выбирает 2000 наблюдений, чтобы добавить к набору тестов и остальной части данных, чтобы добавить к набору обучающих данных. Создайте наборы обучения и валидации с помощью присвоений, сохраненных в cvpartition
объект cvp
.
Xtrain = Xobs(cvp.training(1),:); ytrain = y(cvp.training(1),:); Xval = Xobs(cvp.test(1),:); yval = y(cvp.test(1),:);
Вычислите misclassification ошибку без выбора признаков.
nca = fscnca(Xtrain,ytrain,'FitMethod','none','Standardize',true, ... 'Solver','lbfgs'); loss_nofs = loss(nca,Xval,yval)
loss_nofs = 0.5165
'FitMethod','none'
опция использует веса по умолчанию (вся 1 с), что означает, что все функции одинаково важны.
На этот раз выполните выбор признаков с помощью анализа компонента окружения в классификации, с.
w0 = rand(100,1); n = length(ytrain) lambda = 1/n; nca = refit(nca,'InitialFeatureWeights',w0,'FitMethod','exact', ... 'Lambda',lambda,'solver','sgd');
n = 20000
Постройте значение целевой функции по сравнению с номером итерации.
figure() plot(nca.FitInfo.Iteration,nca.FitInfo.Objective,'ro') hold on plot(nca.FitInfo.Iteration,movmean(nca.FitInfo.Objective,10),'k.-') xlabel('Iteration number') ylabel('Objective value')
Вычислите misclassification ошибку с выбором признаков.
loss_withfs = loss(nca,Xval,yval)
loss_withfs = 0.0115
Постройте выбранные функции.
figure semilogx(nca.FeatureWeights,'ro') xlabel('Feature index') ylabel('Feature weight') grid on
Выберите функции с помощью весов функции и относительного порога.
tol = 0.15; selidx = find(nca.FeatureWeights > tol*max(1,max(nca.FeatureWeights)))
selidx = 1 2
Выбор признаков улучшает результаты и fscnca
обнаруживает правильные две функции как релевантные.
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.