fitcauto

Автоматически выберите модель классификации оптимизированными гиперпараметрами

Описание

Учитывая предиктор и данные об ответе, fitcauto автоматически пробует выбор типов модели классификации с различными значениями гиперпараметра. Функция использует Байесовую оптимизацию, чтобы выбрать модели и их значения гиперпараметра, и вычисляет ошибку классификации перекрестных проверок для каждой модели. После того, как оптимизация завершена, fitcauto возвращает модель, обученную на целом наборе данных, который, как ожидают, лучше всего классифицирует новые данные. Можно использовать predict и loss объектные функции возвращенной модели, чтобы классифицировать новые данные и вычислить ошибку классификации наборов тестов, соответственно.

Используйте fitcauto когда вы не уверены, который вводит классификатор, лучше всего удовлетворяют вашим данным. Для получения информации об альтернативных методах для настройки гиперпараметров моделей классификации см. альтернативную функциональность.

пример

Mdl = fitcauto(Tbl,ResponseVarName) возвращает модель Mdl классификации настроенными гиперпараметрами. Таблица Tbl содержит переменные предикторы и переменную отклика, где ResponseVarName имя переменной отклика.

Mdl = fitcauto(Tbl,formula) использование formula задавать переменную отклика и переменные предикторы, чтобы рассмотреть среди переменных в Tbl.

Mdl = fitcauto(Tbl,Y) использует переменные предикторы в таблице Tbl и класс помечает в векторном Y.

пример

Mdl = fitcauto(X,Y) использует переменные предикторы в матричном X и класс помечает в векторном Y.

Mdl = fitcauto(___,Name,Value) задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к любой из комбинаций входных аргументов в предыдущих синтаксисах. Например, используйте HyperparameterOptimizationOptions аргумент пары "имя-значение", чтобы задать, как Байесова оптимизация выполняется.

пример

[Mdl,OptimizationResults] = fitcauto(___) дополнительно возвращает OptimizationResults, BayesianOptimization объект, содержащий результаты выбора модели и настраивающего процесса гиперпараметра.

Примеры

свернуть все

Используйте fitcauto автоматически выбрать модель классификации оптимизированными гиперпараметрами, учитывая предиктор и данные об ответе, хранимые в таблице.

Загрузка данных

Загрузите carbig набор данных, который содержит измерения автомобилей, сделанных в 1970-х и в начале 1980-х.

load carbig

Категоризируйте автомобили на основе того, были ли они сделаны в США.

Origin = categorical(cellstr(Origin));
Origin = mergecats(Origin,{'France','Japan','Germany', ...
    'Sweden','Italy','England'},'NotUSA');

Составьте таблицу, содержащую переменные предикторы Acceleration, Displacement, и так далее, а также переменная отклика Origin.

cars = table(Acceleration,Displacement,Horsepower, ...
    Model_Year,MPG,Weight,Origin);

Данные о разделе

Разделите данные в наборы обучающих данных и наборы тестов. Используйте приблизительно 80% наблюдений для выбора модели и настраивающего процесса гиперпараметра, и 20% наблюдений, чтобы проверить производительность итоговой модели, возвращенной fitcauto. Используйте cvpartition разделить данные.

rng('default') % For reproducibility of the data partition
c = cvpartition(Origin,'Holdout',0.2);
trainingIdx = training(c); % Training set indices
carsTrain = cars(trainingIdx,:);
testIdx = test(c); % Test set indices
carsTest = cars(testIdx,:);

Запустите fitcauto

Передайте обучающие данные fitcauto. По умолчанию, fitcauto определяет соответствующие типы модели, чтобы попробовать, использует Байесовую оптимизацию, чтобы найти хорошие гиперзначения параметров и возвращает обученную модель Mdl с лучшей ожидаемой производительностью.

Ожидайте, что этот процесс займет время. Чтобы ускорить процесс оптимизации, полагайте, что определение запускает оптимизацию параллельно, если у вас есть лицензия Parallel Computing Toolbox™. Для этого передайте 'HyperparameterOptimizationOptions',struct('UseParallel',true) к fitcauto как аргумент пары "имя-значение".

Mdl = fitcauto(carsTrain,'Origin');
Warning: It is recommended that you first standardize all numeric predictors when optimizing the Naive Bayes 'Width' parameter. Ignore this warning if you have done that.
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|    1 | Best   |     0.12923 |      12.533 |     0.12923 |     0.12923 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              7 |
|    2 | Accept |     0.18269 |      0.6441 |     0.12923 |     0.12923 |          knn | NumNeighbors:             3 |
|    3 | Accept |     0.23397 |     0.12905 |     0.12923 |     0.20782 |          knn | NumNeighbors:            91 |
|    4 | Accept |     0.16308 |      12.228 |     0.12923 |     0.14852 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      274 |
|      |        |             |             |             |             |              | MinLeafSize:             15 |
|    5 | Accept |     0.20833 |     0.13612 |     0.12923 |     0.14852 |          knn | NumNeighbors:             4 |
|    6 | Accept |     0.22115 |     0.13461 |     0.12923 |     0.14852 |          knn | NumNeighbors:            28 |
|    7 | Accept |     0.16923 |     0.25707 |     0.12923 |     0.14852 |         tree | MinLeafSize:            105 |
|    8 | Accept |     0.37179 |     0.64601 |     0.12923 |     0.14852 |          svm | BoxConstraint:     0.022186 |
|      |        |             |             |             |             |              | KernelScale:       0.085527 |
|    9 | Accept |     0.37179 |     0.12828 |     0.12923 |     0.14852 |          svm | BoxConstraint:     0.045899 |
|      |        |             |             |             |             |              | KernelScale:      0.0024758 |
|   10 | Accept |     0.24615 |     0.99945 |     0.12923 |     0.14852 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:               1.1327 |
|   11 | Accept |     0.16923 |    0.098106 |     0.12923 |     0.14852 |         tree | MinLeafSize:             78 |
|   12 | Accept |     0.26923 |     0.11213 |     0.12923 |     0.14852 |          svm | BoxConstraint:       11.063 |
|      |        |             |             |             |             |              | KernelScale:         15.114 |
|   13 | Best   |     0.12615 |     0.10159 |     0.12615 |     0.14852 |         tree | MinLeafSize:              3 |
|   14 | Accept |     0.21154 |    0.096928 |     0.12615 |     0.14852 |          knn | NumNeighbors:             2 |
|   15 | Accept |     0.13538 |     0.10336 |     0.12615 |     0.15014 |         tree | MinLeafSize:              1 |
|   16 | Accept |     0.13538 |    0.096076 |     0.12615 |      0.1482 |         tree | MinLeafSize:              2 |
|   17 | Best   |     0.12308 |      10.115 |     0.12308 |     0.13678 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      208 |
|      |        |             |             |             |             |              | MinLeafSize:             10 |
|   18 | Accept |     0.37179 |     0.13789 |     0.12308 |     0.13678 |          svm | BoxConstraint:       116.46 |
|      |        |             |             |             |             |              | KernelScale:        0.52908 |
|   19 | Accept |     0.22769 |     0.16645 |     0.12308 |     0.13678 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   20 | Accept |     0.22115 |    0.087468 |     0.12308 |     0.13678 |          knn | NumNeighbors:             8 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|   21 | Accept |     0.37179 |     0.13455 |     0.12308 |     0.13678 |          svm | BoxConstraint:       45.341 |
|      |        |             |             |             |             |              | KernelScale:        0.76949 |
|   22 | Accept |     0.12615 |     0.10641 |     0.12308 |     0.13678 |         tree | MinLeafSize:              3 |
|   23 | Best   |     0.10769 |    0.075704 |     0.10769 |     0.13678 |         tree | MinLeafSize:              5 |
|   24 | Accept |     0.22769 |     0.28513 |     0.10769 |     0.13678 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:              0.42571 |
|   25 | Accept |     0.12615 |    0.072307 |     0.10769 |     0.13846 |         tree | MinLeafSize:             11 |
|   26 | Accept |     0.13782 |    0.084552 |     0.10769 |     0.13846 |          svm | BoxConstraint:       9.7286 |
|      |        |             |             |             |             |              | KernelScale:         293.41 |
|   27 | Accept |     0.22769 |    0.098663 |     0.10769 |     0.13846 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   28 | Accept |     0.21795 |    0.087931 |     0.10769 |     0.13846 |          knn | NumNeighbors:            42 |
|   29 | Accept |     0.24308 |     0.26915 |     0.10769 |     0.13846 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:               4.4662 |
|   30 | Accept |     0.16308 |      11.221 |     0.10769 |     0.13846 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      267 |
|      |        |             |             |             |             |              | MinLeafSize:            131 |
|   31 | Accept |     0.24308 |     0.26485 |     0.10769 |     0.13846 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:              0.66296 |
|   32 | Accept |     0.22115 |    0.067784 |     0.10769 |     0.13846 |          knn | NumNeighbors:            28 |
|   33 | Accept |     0.13846 |     0.11902 |     0.10769 |     0.13714 |         tree | MinLeafSize:             25 |
|   34 | Accept |     0.21474 |     0.07273 |     0.10769 |     0.13714 |          knn | NumNeighbors:            14 |
|   35 | Accept |     0.16615 |      9.2855 |     0.10769 |     0.13714 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      215 |
|      |        |             |             |             |             |              | MinLeafSize:             13 |
|   36 | Accept |     0.15077 |      11.786 |     0.10769 |     0.13714 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      254 |
|      |        |             |             |             |             |              | MinLeafSize:             31 |
|   37 | Accept |     0.22769 |    0.081882 |     0.10769 |     0.13714 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   38 | Accept |     0.37179 |     0.07709 |     0.10769 |     0.13714 |          svm | BoxConstraint:    0.0073633 |
|      |        |             |             |             |             |              | KernelScale:         774.33 |
|   39 | Accept |     0.16923 |    0.077139 |     0.10769 |      0.1325 |         tree | MinLeafSize:             82 |
|   40 | Accept |     0.20833 |    0.087004 |     0.10769 |      0.1325 |          knn | NumNeighbors:             4 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|   41 | Accept |     0.16308 |      12.164 |     0.10769 |      0.1325 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      274 |
|      |        |             |             |             |             |              | MinLeafSize:            150 |
|   42 | Accept |     0.22462 |     0.28662 |     0.10769 |      0.1325 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:               121.64 |
|   43 | Accept |     0.17846 |      10.427 |     0.10769 |      0.1325 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      229 |
|      |        |             |             |             |             |              | MinLeafSize:            117 |
|   44 | Accept |     0.16923 |    0.088318 |     0.10769 |     0.12874 |         tree | MinLeafSize:             84 |
|   45 | Accept |     0.22769 |    0.079169 |     0.10769 |     0.12874 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   46 | Accept |     0.22769 |    0.065898 |     0.10769 |     0.12874 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   47 | Accept |     0.16615 |      9.3444 |     0.10769 |     0.12874 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      212 |
|      |        |             |             |             |             |              | MinLeafSize:             49 |
|   48 | Accept |     0.14154 |      13.721 |     0.10769 |     0.12874 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      288 |
|      |        |             |             |             |             |              | MinLeafSize:             25 |
|   49 | Accept |     0.23077 |      0.2725 |     0.10769 |     0.12874 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:               73.249 |
|   50 | Accept |     0.37179 |     0.11629 |     0.10769 |     0.12874 |          svm | BoxConstraint:    0.0036501 |
|      |        |             |             |             |             |              | KernelScale:         1.0504 |
|   51 | Accept |     0.21474 |     0.14443 |     0.10769 |     0.12874 |          svm | BoxConstraint:       64.859 |
|      |        |             |             |             |             |              | KernelScale:         23.779 |
|   52 | Accept |     0.37179 |     0.11504 |     0.10769 |     0.12874 |          svm | BoxConstraint:      0.16622 |
|      |        |             |             |             |             |              | KernelScale:         4.4901 |
|   53 | Accept |     0.25846 |     0.26577 |     0.10769 |     0.12874 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:             0.079498 |
|   54 | Accept |     0.21154 |     0.07558 |     0.10769 |     0.12874 |          knn | NumNeighbors:             2 |
|   55 | Accept |     0.12308 |      11.525 |     0.10769 |     0.12874 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      234 |
|      |        |             |             |             |             |              | MinLeafSize:              8 |
|   56 | Accept |     0.36538 |     0.11498 |     0.10769 |     0.12874 |          svm | BoxConstraint:        271.6 |
|      |        |             |             |             |             |              | KernelScale:          2.743 |
|   57 | Accept |     0.16615 |      9.9644 |     0.10769 |     0.12874 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      248 |
|      |        |             |             |             |             |              | MinLeafSize:            117 |
|   58 | Accept |     0.37179 |     0.10707 |     0.10769 |     0.12874 |          svm | BoxConstraint:       7.5785 |
|      |        |             |             |             |             |              | KernelScale:      0.0066815 |
|   59 | Accept |     0.37179 |     0.10387 |     0.10769 |     0.12874 |          svm | BoxConstraint:    0.0017765 |
|      |        |             |             |             |             |              | KernelScale:        0.86786 |
|   60 | Accept |     0.37179 |     0.11451 |     0.10769 |     0.12874 |          svm | BoxConstraint:     0.011465 |
|      |        |             |             |             |             |              | KernelScale:        0.02747 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|   61 | Accept |     0.12308 |    0.075995 |     0.10769 |     0.12862 |         tree | MinLeafSize:             12 |
|   62 | Accept |     0.29167 |     0.12678 |     0.10769 |     0.12862 |          svm | BoxConstraint:       11.939 |
|      |        |             |             |             |             |              | KernelScale:         11.002 |
|   63 | Accept |     0.21795 |    0.085439 |     0.10769 |     0.12862 |          knn | NumNeighbors:             6 |
|   64 | Accept |     0.18269 |    0.075299 |     0.10769 |     0.12862 |          knn | NumNeighbors:             3 |
|   65 | Accept |     0.12615 |     0.09094 |     0.10769 |      0.1273 |         tree | MinLeafSize:              3 |
|   66 | Accept |     0.16923 |    0.074034 |     0.10769 |     0.12662 |         tree | MinLeafSize:             56 |
|   67 | Accept |      0.1891 |    0.068062 |     0.10769 |     0.12662 |          knn | NumNeighbors:             1 |
|   68 | Accept |     0.11692 |      12.685 |     0.10769 |     0.12662 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      270 |
|      |        |             |             |             |             |              | MinLeafSize:              4 |
|   69 | Accept |     0.22769 |     0.08331 |     0.10769 |     0.12662 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   70 | Accept |     0.37231 |     0.23243 |     0.10769 |     0.12662 |           nb | DistributionNames:   kernel |
|      |        |             |             |             |             |              | Width:               1629.5 |
|   71 | Accept |     0.16923 |     0.07617 |     0.10769 |     0.12684 |         tree | MinLeafSize:             61 |
|   72 | Accept |     0.22769 |    0.076927 |     0.10769 |     0.12684 |           nb | DistributionNames:   normal |
|      |        |             |             |             |             |              | Width:                  NaN |
|   73 | Accept |     0.16308 |      9.7631 |     0.10769 |     0.12684 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      217 |
|      |        |             |             |             |             |              | MinLeafSize:             70 |
|   74 | Accept |     0.10769 |      12.552 |     0.10769 |     0.12684 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|   75 | Accept |     0.21474 |    0.091663 |     0.10769 |     0.12684 |          knn | NumNeighbors:            49 |
|   76 | Accept |     0.11077 |      10.027 |     0.10769 |     0.12684 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      221 |
|      |        |             |             |             |             |              | MinLeafSize:              5 |
|   77 | Accept |        0.16 |      8.1869 |     0.10769 |     0.12684 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      203 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   78 | Accept |     0.11385 |      10.992 |     0.10769 |     0.12684 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      228 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|   79 | Accept |     0.15692 |      12.232 |     0.10769 |     0.12684 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      293 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   80 | Accept |     0.12923 |      10.523 |     0.10769 |     0.12684 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      222 |
|      |        |             |             |             |             |              | MinLeafSize:              5 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|   81 | Accept |     0.12308 |      11.281 |     0.10769 |     0.12684 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      233 |
|      |        |             |             |             |             |              | MinLeafSize:             11 |
|   82 | Accept |     0.11385 |      14.304 |     0.10769 |     0.12684 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      290 |
|      |        |             |             |             |             |              | MinLeafSize:              3 |
|   83 | Accept |     0.10769 |      12.236 |     0.10769 |     0.11724 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      260 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   84 | Best   |     0.10154 |       12.57 |     0.10154 |     0.11441 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   85 | Accept |     0.16308 |      11.827 |     0.10154 |     0.11544 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|   86 | Accept |     0.10769 |      14.658 |     0.10154 |     0.11317 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      295 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|   87 | Accept |     0.10769 |      12.049 |     0.10154 |     0.11209 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      255 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|   88 | Accept |     0.10462 |      12.346 |     0.10154 |     0.11125 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      261 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   89 | Accept |     0.11077 |      12.551 |     0.10154 |     0.10964 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      263 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   90 | Accept |     0.10769 |      12.461 |     0.10154 |     0.10895 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   91 | Accept |     0.10769 |      12.168 |     0.10154 |     0.10907 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      254 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   92 | Accept |     0.10462 |      12.397 |     0.10154 |     0.10811 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   93 | Accept |     0.16308 |      11.293 |     0.10154 |     0.10882 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      255 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   94 | Accept |     0.10769 |      12.364 |     0.10154 |     0.10734 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      255 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   95 | Accept |     0.11385 |      12.225 |     0.10154 |     0.10821 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      255 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   96 | Accept |     0.10769 |      12.369 |     0.10154 |     0.10809 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   97 | Accept |     0.11077 |      12.488 |     0.10154 |     0.10714 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      258 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|   98 | Accept |     0.10769 |      12.439 |     0.10154 |     0.10802 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|   99 | Accept |     0.10769 |      12.361 |     0.10154 |      0.1069 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  100 | Accept |     0.11692 |      12.373 |     0.10154 |     0.10736 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|  101 | Accept |     0.16308 |      10.816 |     0.10154 |     0.10799 |     ensemble | Method:          LogitBoost |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  102 | Accept |     0.11385 |      9.9363 |     0.10154 |     0.10789 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      210 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  103 | Accept |     0.11385 |      10.353 |     0.10154 |     0.11056 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  104 | Accept |        0.12 |      10.401 |     0.10154 |     0.11008 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  105 | Accept |     0.11077 |       11.72 |     0.10154 |     0.10913 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      293 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  106 | Accept |     0.10769 |      10.452 |     0.10154 |     0.10878 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  107 | Accept |     0.10769 |      10.517 |     0.10154 |     0.10934 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  108 | Accept |     0.11077 |      8.3766 |     0.10154 |     0.10939 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      207 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  109 | Accept |     0.10769 |      10.549 |     0.10154 |     0.10883 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      261 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  110 | Accept |     0.11692 |      10.478 |     0.10154 |     0.10961 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      259 |
|      |        |             |             |             |             |              | MinLeafSize:              4 |
|  111 | Accept |     0.11385 |       12.05 |     0.10154 |     0.10869 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      295 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  112 | Accept |        0.12 |       11.95 |     0.10154 |      0.1083 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      294 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  113 | Accept |     0.11385 |      10.329 |     0.10154 |     0.10891 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      255 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  114 | Accept |     0.11077 |      11.196 |     0.10154 |     0.10922 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      260 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  115 | Accept |     0.10462 |      12.305 |     0.10154 |     0.10804 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  116 | Accept |     0.11385 |      12.352 |     0.10154 |     0.10886 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              4 |
|  117 | Best   |    0.098462 |       9.241 |    0.098462 |     0.10878 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  118 | Accept |     0.10769 |      9.6282 |    0.098462 |     0.10917 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  119 | Accept |     0.11077 |      8.5028 |    0.098462 |     0.10922 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  120 | Accept |     0.12615 |      9.0029 |    0.098462 |     0.10942 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|  121 | Accept |     0.11385 |      10.752 |    0.098462 |     0.10963 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  122 | Accept |     0.10769 |      10.986 |    0.098462 |      0.1089 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  123 | Accept |     0.10462 |      10.936 |    0.098462 |     0.10864 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  124 | Accept |     0.11077 |      10.384 |    0.098462 |     0.10889 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  125 | Accept |     0.10769 |      10.391 |    0.098462 |     0.10903 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  126 | Accept |     0.11385 |      8.3687 |    0.098462 |     0.10863 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      202 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  127 | Accept |     0.11385 |      10.703 |    0.098462 |     0.10838 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      261 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  128 | Accept |     0.11077 |      9.8426 |    0.098462 |     0.10872 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      243 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  129 | Accept |     0.11077 |      8.1229 |    0.098462 |     0.10861 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      202 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  130 | Accept |     0.11385 |      10.625 |    0.098462 |     0.10918 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  131 | Accept |     0.11077 |       10.54 |    0.098462 |     0.10936 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      254 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  132 | Accept |     0.11077 |      10.936 |    0.098462 |     0.10902 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  133 | Accept |     0.12923 |      10.934 |    0.098462 |      0.1098 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  134 | Accept |     0.11077 |      10.599 |    0.098462 |     0.10985 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  135 | Accept |     0.10769 |      8.3652 |    0.098462 |     0.10981 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      200 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  136 | Accept |     0.10769 |      8.6695 |    0.098462 |      0.1097 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  137 | Accept |     0.11385 |      8.1568 |    0.098462 |     0.10997 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      200 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  138 | Accept |     0.10769 |      8.1314 |    0.098462 |     0.10951 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      200 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  139 | Accept |     0.11385 |      8.1919 |    0.098462 |     0.11039 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      200 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  140 | Accept |     0.11385 |      11.537 |    0.098462 |     0.10919 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      261 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|====================================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|====================================================================================================================|
|  141 | Accept |     0.10769 |      8.5051 |    0.098462 |     0.10985 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  142 | Accept |     0.11692 |      9.7003 |    0.098462 |     0.10953 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      236 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  143 | Accept |     0.10462 |      11.018 |    0.098462 |     0.10932 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      262 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  144 | Accept |     0.12308 |      11.197 |    0.098462 |     0.10945 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      262 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  145 | Accept |     0.11692 |      8.3426 |    0.098462 |     0.11056 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  146 | Accept |     0.11692 |       8.728 |    0.098462 |     0.10939 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              4 |
|  147 | Accept |     0.11692 |      10.952 |    0.098462 |     0.11014 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      259 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  148 | Accept |        0.12 |      8.5123 |    0.098462 |     0.10999 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      201 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |
|  149 | Accept |     0.11077 |      10.694 |    0.098462 |     0.11039 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |        |             |             |             |             |              | MinLeafSize:              2 |
|  150 | Accept |     0.10769 |      10.999 |    0.098462 |     0.10991 |     ensemble | Method:                 Bag |
|      |        |             |             |             |             |              | NumLearningCycles:      260 |
|      |        |             |             |             |             |              | MinLeafSize:              1 |

__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 150 reached.
Total function evaluations: 150
Total elapsed time: 1758.9912 seconds.
Total objective function evaluation time: 985.2563

Best observed feasible point is an ensemble model with:
	Method:                 Bag
	NumLearningCycles:      201
	MinLeafSize:              1

Observed objective function value = 0.098462
Estimated objective function value = 0.11265
Function evaluation time = 9.241

Best estimated feasible point (according to models) is an ensemble model with:
	Method:                 Bag
	NumLearningCycles:      256
	MinLeafSize:              1

Estimated objective function value = 0.10991
Estimated function evaluation time = 11.0259

Итоговая модель возвращена fitcauto соответствует лучшей предполагаемой допустимой точке. Прежде, чем возвратить модель, функция переобучает его с помощью целых обучающих данных (carsTrain), перечисленный Learner (или модель) тип и отображенные гиперзначения параметров.

Оцените производительность набора тестов

Оцените производительность модели на наборе тестов.

testAccuracy = 1 - loss(Mdl,carsTest,'Origin')
testAccuracy = 0.9520
confusionchart(carsTest.Origin,predict(Mdl,carsTest))

Используйте fitcauto автоматически выбрать модель классификации оптимизированными гиперпараметрами, учитывая предиктор и данные об ответе, хранимые в отдельных переменных.

Загрузка данных

Загрузите humanactivity набор данных. Этот набор данных содержит 24 075 наблюдений за пятью физической деятельностью человека: Находясь (1), Стоя (2), Идя (3), Запускаясь (4), и Танцуя (5). Каждое наблюдение имеет 60 функций, извлеченных из ускоряющих данных, измеренных датчиками акселерометра смартфона. Переменная feat содержит матрицу данных предиктора 60 функций этих 24 075 наблюдений и переменную отклика actid содержит идентификаторы действия для наблюдений как целые числа.

load humanactivity

Данные о разделе

Разделите данные в наборы обучающих данных и наборы тестов. Используйте 90% наблюдений, чтобы выбрать модель, и 10% наблюдений, чтобы подтвердить итоговую модель, возвращенную fitcauto. Используйте cvpartition зарезервировать 10% наблюдений для тестирования.

rng('default') % For reproducibility of the partition
c = cvpartition(actid,'Holdout',0.10);
trainingIndices = training(c); % Indices for the training set
XTrain = feat(trainingIndices,:);
YTrain = actid(trainingIndices);
testIndices = test(c); % Indices for the test set
XTest = feat(testIndices,:);
YTest = actid(testIndices);

Запустите fitcauto

Передайте обучающие данные fitcauto. По умолчанию, fitcauto определяет соответствующую модель (или ученик) типы, чтобы попробовать, использует Байесовую оптимизацию, чтобы найти хорошие гиперзначения параметров для тех моделей и возвращает обученную модель с лучшей ожидаемой производительностью. Задайте, чтобы запуститься, оптимизация параллельно (требует Parallel Computing Toolbox™). Возвратите второй выход OptimizationResults это содержит детали Байесовой оптимизации.

Ожидайте, что этот процесс выбора модели займет время.

options = struct('UseParallel',true);
[Mdl,OptimizationResults] = fitcauto(XTrain,YTrain,'HyperparameterOptimizationOptions',options);
Warning: It is recommended that you first standardize all numeric predictors when optimizing the Naive Bayes 'Width' parameter. Ignore this warning if you have done that.
Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 6).
Copying objective function to workers...
Done copying objective function to workers.
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|    1 |       6 | Best   |     0.28088 |      51.451 |     0.28088 |     0.28088 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.22686 |
|      |         |        |             |             |             |             |              | KernelScale:          330.4 |
|    2 |       5 | Accept |    0.036413 |      60.195 |    0.025845 |     0.11438 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      254 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1786 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            12 |
|    3 |       5 | Best   |    0.025845 |      5.5008 |    0.025845 |     0.11438 |         tree | MinLeafSize:             59 |
|    4 |       6 | Best   |    0.017722 |      6.6481 |    0.017722 |    0.021702 |         tree | MinLeafSize:              9 |
|    5 |       6 | Accept |    0.017722 |      6.4868 |    0.017722 |    0.020592 |         tree | MinLeafSize:              9 |
|    6 |       6 | Best   |   0.0064611 |      79.739 |   0.0064611 |    0.020592 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      214 |
|      |         |        |             |             |             |             |              | MinLeafSize:              5 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            23 |
|    7 |       6 | Accept |    0.050212 |       1.278 |   0.0064611 |    0.020592 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|    8 |       6 | Accept |    0.050212 |      1.2476 |   0.0064611 |    0.020592 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|    9 |       6 | Accept |     0.02266 |      189.95 |   0.0064611 |    0.020592 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      218 |
|      |         |        |             |             |             |             |              | MinLeafSize:              2 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            63 |
|   10 |       6 | Accept |    0.033598 |      203.62 |   0.0064611 |    0.020592 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      264 |
|      |         |        |             |             |             |             |              | MinLeafSize:              7 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            36 |
|   11 |       6 | Accept |     0.59166 |      28.752 |   0.0064611 |    0.020592 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:           4.7212e-14 |
|   12 |       6 | Accept |     0.04389 |      155.77 |   0.0064611 |    0.020592 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.068467 |
|      |         |        |             |             |             |             |              | KernelScale:         117.01 |
|   13 |       6 | Accept |    0.021599 |      60.254 |   0.0064611 |    0.020592 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      243 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1247 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            45 |
|   14 |       6 | Accept |    0.043567 |       23.25 |   0.0064611 |    0.020592 |          knn | NumNeighbors:           144 |
|   15 |       6 | Accept |    0.028844 |      22.102 |   0.0064611 |    0.020592 |          knn | NumNeighbors:            18 |
|   16 |       6 | Accept |    0.024598 |      22.408 |   0.0064611 |    0.020592 |          knn | NumNeighbors:             7 |
|   17 |       6 | Accept |     0.03009 |      21.623 |   0.0064611 |    0.020592 |          knn | NumNeighbors:            27 |
|   18 |       6 | Accept |    0.016891 |      7.2949 |   0.0064611 |    0.019464 |         tree | MinLeafSize:              2 |
|   19 |       6 | Accept |    0.040059 |      4.3418 |   0.0064611 |    0.022968 |         tree | MinLeafSize:            166 |
|   20 |       6 | Accept |    0.060319 |      2.5459 |   0.0064611 |    0.023364 |         tree | MinLeafSize:           1881 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   21 |       6 | Accept |    0.050212 |      1.1819 |   0.0064611 |    0.023364 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   22 |       6 | Accept |    0.036552 |      21.442 |   0.0064611 |    0.023364 |          knn | NumNeighbors:            67 |
|   23 |       6 | Accept |    0.050212 |     0.69192 |   0.0064611 |    0.023364 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   24 |       6 | Accept |     0.11076 |       37.67 |   0.0064611 |    0.023364 |          knn | NumNeighbors:          2637 |
|   25 |       6 | Accept |     0.28711 |      69.473 |   0.0064611 |    0.030365 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      287 |
|      |         |        |             |             |             |             |              | MinLeafSize:           4344 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            48 |
|   26 |       6 | Accept |     0.58127 |       32.81 |   0.0064611 |    0.030365 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:           1.6293e-06 |
|   27 |       6 | Accept |    0.015784 |       7.406 |   0.0064611 |    0.027375 |         tree | MinLeafSize:              1 |
|   28 |       6 | Accept |     0.59166 |      383.03 |   0.0064611 |    0.027375 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:        790.4 |
|      |         |        |             |             |             |             |              | KernelScale:       0.014348 |
|   29 |       6 | Accept |    0.069319 |      1.9964 |   0.0064611 |    0.034633 |         tree | MinLeafSize:           2284 |
|   30 |       6 | Accept |    0.043336 |      3.5634 |   0.0064611 |    0.033826 |         tree | MinLeafSize:            432 |
|   31 |       6 | Accept |     0.10555 |      35.914 |   0.0064611 |    0.033826 |          knn | NumNeighbors:          2430 |
|   32 |       6 | Accept |    0.021183 |      6.3954 |   0.0064611 |    0.021851 |         tree | MinLeafSize:             17 |
|   33 |       6 | Accept |    0.050212 |       1.098 |   0.0064611 |    0.021851 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   34 |       6 | Accept |    0.014353 |      62.709 |   0.0064611 |    0.021851 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      234 |
|      |         |        |             |             |             |             |              | MinLeafSize:            587 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            11 |
|   35 |       6 | Accept |    0.043428 |      191.69 |   0.0064611 |    0.021851 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      288 |
|      |         |        |             |             |             |             |              | MinLeafSize:             45 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            23 |
|   36 |       6 | Accept |      0.4226 |      559.17 |   0.0064611 |    0.021851 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:               72.906 |
|   37 |       6 | Accept |     0.74165 |       25.64 |   0.0064611 |    0.021851 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      217 |
|      |         |        |             |             |             |             |              | MinLeafSize:           8856 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            36 |
|   38 |       6 | Accept |     0.59166 |      27.996 |   0.0064611 |    0.021851 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:            1.191e-07 |
|   39 |       6 | Best   |   0.0041074 |      91.985 |   0.0041074 |    0.021851 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      210 |
|      |         |        |             |             |             |             |              | MinLeafSize:            129 |
|      |         |        |             |             |             |             |              | MaxNumSplits:           100 |
|   40 |       6 | Accept |     0.73985 |      542.35 |   0.0041074 |    0.021851 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:               1055.8 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   41 |       5 | Accept |     0.57615 |      353.08 |   0.0041074 |    0.021851 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       2.2347 |
|      |         |        |             |             |             |             |              | KernelScale:        0.16176 |
|   42 |       5 | Accept |    0.087087 |       32.51 |   0.0041074 |    0.021851 |          knn | NumNeighbors:          1634 |
|   43 |       6 | Accept |    0.050212 |     0.85611 |   0.0041074 |    0.021851 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   44 |       6 | Accept |    0.050212 |     0.75838 |   0.0041074 |    0.021851 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   45 |       6 | Accept |    0.025891 |       21.86 |   0.0041074 |    0.021851 |          knn | NumNeighbors:             6 |
|   46 |       6 | Accept |    0.030414 |       162.3 |   0.0041074 |    0.021851 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      206 |
|      |         |        |             |             |             |             |              | MinLeafSize:              5 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            39 |
|   47 |       6 | Accept |     0.03286 |      178.49 |   0.0041074 |    0.021851 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      234 |
|      |         |        |             |             |             |             |              | MinLeafSize:             73 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            43 |
|   48 |       6 | Accept |    0.037244 |      156.66 |   0.0041074 |    0.021851 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       5.9571 |
|      |         |        |             |             |             |             |              | KernelScale:         840.87 |
|   49 |       6 | Accept |     0.01703 |      7.0967 |   0.0041074 |    0.020426 |         tree | MinLeafSize:              4 |
|   50 |       6 | Accept |    0.017168 |      6.8667 |   0.0041074 |      0.0183 |         tree | MinLeafSize:              5 |
|   51 |       6 | Accept |    0.039321 |      221.28 |   0.0041074 |      0.0183 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      299 |
|      |         |        |             |             |             |             |              | MinLeafSize:             31 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            25 |
|   52 |       6 | Accept |    0.046474 |      199.35 |   0.0041074 |      0.0183 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       2.9119 |
|      |         |        |             |             |             |             |              | KernelScale:         12.771 |
|   53 |       6 | Accept |     0.59166 |      433.93 |   0.0041074 |      0.0183 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       92.735 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0010711 |
|   54 |       6 | Accept |    0.054135 |      3.7916 |   0.0041074 |    0.018419 |         tree | MinLeafSize:            783 |
|   55 |       6 | Accept |    0.049797 |      27.695 |   0.0041074 |    0.018419 |          knn | NumNeighbors:           331 |
|   56 |       6 | Accept |    0.046566 |      26.856 |   0.0041074 |    0.018419 |          knn | NumNeighbors:           193 |
|   57 |       6 | Accept |    0.049197 |      188.34 |   0.0041074 |    0.018419 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      253 |
|      |         |        |             |             |             |             |              | MinLeafSize:             14 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            22 |
|   58 |       6 | Accept |    0.022706 |      25.765 |   0.0041074 |    0.018419 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       1.3505 |
|      |         |        |             |             |             |             |              | KernelScale:         127.55 |
|   59 |       6 | Accept |    0.028798 |      5.7904 |   0.0041074 |    0.018856 |         tree | MinLeafSize:             84 |
|   60 |       6 | Accept |    0.041351 |      29.766 |   0.0041074 |    0.018856 |          knn | NumNeighbors:           124 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   61 |       6 | Accept |    0.030044 |      28.239 |   0.0041074 |    0.018856 |          knn | NumNeighbors:            26 |
|   62 |       6 | Accept |     0.11838 |      295.65 |   0.0041074 |    0.018856 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0027874 |
|      |         |        |             |             |             |             |              | KernelScale:         33.944 |
|   63 |       6 | Accept |     0.47116 |       55.67 |   0.0041074 |    0.018856 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:           4.7553e-05 |
|   64 |       6 | Accept |     0.26574 |      104.02 |   0.0041074 |    0.018856 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:            0.0011441 |
|   65 |       6 | Accept |    0.050212 |     0.69002 |   0.0041074 |    0.018856 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   66 |       6 | Accept |    0.017168 |      6.7802 |   0.0041074 |    0.018674 |         tree | MinLeafSize:              5 |
|   67 |       6 | Accept |    0.077072 |      281.55 |   0.0041074 |    0.018674 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:             0.026902 |
|   68 |       6 | Accept |    0.031613 |      26.638 |   0.0041074 |    0.018674 |          knn | NumNeighbors:            33 |
|   69 |       6 | Accept |     0.02003 |      108.02 |   0.0041074 |    0.018674 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       609.47 |
|      |         |        |             |             |             |             |              | KernelScale:          39.88 |
|   70 |       6 | Accept |     0.14141 |      92.623 |   0.0041074 |    0.018674 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      292 |
|      |         |        |             |             |             |             |              | MinLeafSize:           3870 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            33 |
|   71 |       6 | Accept |     0.01103 |      74.107 |   0.0041074 |    0.018674 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      214 |
|      |         |        |             |             |             |             |              | MinLeafSize:            203 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            14 |
|   72 |       6 | Accept |   0.0093225 |      78.987 |   0.0041074 |    0.018674 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      225 |
|      |         |        |             |             |             |             |              | MinLeafSize:            461 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            45 |
|   73 |       6 | Accept |   0.0081226 |      75.993 |   0.0041074 |    0.018674 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      212 |
|      |         |        |             |             |             |             |              | MinLeafSize:            224 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            19 |
|   74 |       6 | Accept |   0.0086302 |      75.677 |   0.0041074 |    0.011486 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      206 |
|      |         |        |             |             |             |             |              | MinLeafSize:            372 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            66 |
|   75 |       6 | Accept |    0.012461 |      69.727 |   0.0041074 |   0.0099707 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      219 |
|      |         |        |             |             |             |             |              | MinLeafSize:            602 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            16 |
|   76 |       6 | Accept |    0.011907 |      66.364 |   0.0041074 |    0.018674 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      206 |
|      |         |        |             |             |             |             |              | MinLeafSize:            535 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            17 |
|   77 |       6 | Accept |    0.066227 |      125.89 |   0.0041074 |   0.0096155 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      210 |
|      |         |        |             |             |             |             |              | MinLeafSize:            579 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            44 |
|   78 |       6 | Accept |    0.014168 |      64.533 |   0.0041074 |    0.018674 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      207 |
|      |         |        |             |             |             |             |              | MinLeafSize:            670 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            21 |
|   79 |       6 | Accept |    0.012276 |      73.034 |   0.0041074 |   0.0096795 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      228 |
|      |         |        |             |             |             |             |              | MinLeafSize:            614 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            94 |
|   80 |       6 | Accept |    0.017353 |      61.294 |   0.0041074 |   0.0094804 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      204 |
|      |         |        |             |             |             |             |              | MinLeafSize:            772 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            13 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   81 |       6 | Accept |     0.01846 |      61.652 |   0.0041074 |   0.0084959 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      211 |
|      |         |        |             |             |             |             |              | MinLeafSize:            879 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            79 |
|   82 |       6 | Accept |    0.016937 |      67.027 |   0.0041074 |   0.0092617 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      227 |
|      |         |        |             |             |             |             |              | MinLeafSize:            805 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            20 |
|   83 |       6 | Accept |    0.012876 |      256.48 |   0.0041074 |   0.0092617 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       501.55 |
|      |         |        |             |             |             |             |              | KernelScale:         190.02 |
|   84 |       6 | Accept |    0.017537 |      61.538 |   0.0041074 |   0.0091728 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      207 |
|      |         |        |             |             |             |             |              | MinLeafSize:            836 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            40 |
|   85 |       6 | Accept |     0.01463 |        43.6 |   0.0041074 |   0.0091728 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       397.97 |
|      |         |        |             |             |             |             |              | KernelScale:         310.04 |
|   86 |       6 | Accept |    0.025522 |      24.217 |   0.0041074 |   0.0091728 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:        36.55 |
|      |         |        |             |             |             |             |              | KernelScale:         658.03 |
|   87 |       6 | Accept |     0.01703 |      68.966 |   0.0041074 |   0.0092732 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      230 |
|      |         |        |             |             |             |             |              | MinLeafSize:            822 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            22 |
|   88 |       6 | Accept |    0.021137 |      114.19 |   0.0041074 |   0.0092732 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       593.64 |
|      |         |        |             |             |             |             |              | KernelScale:         37.983 |
|   89 |       6 | Accept |     0.59166 |      2089.7 |   0.0041074 |   0.0092732 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.045413 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0034709 |
|   90 |       6 | Accept |    0.019799 |      57.157 |   0.0041074 |   0.0089505 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      202 |
|      |         |        |             |             |             |             |              | MinLeafSize:            962 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            81 |
|   91 |       6 | Accept |    0.085472 |      118.41 |   0.0041074 |   0.0089505 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       855.69 |
|      |         |        |             |             |             |             |              | KernelScale:         6.5486 |
|   92 |       6 | Accept |     0.02003 |      59.729 |   0.0041074 |   0.0095371 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      216 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1004 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            12 |
|   93 |       6 | Accept |    0.019845 |      58.677 |   0.0041074 |   0.0095584 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      208 |
|      |         |        |             |             |             |             |              | MinLeafSize:            926 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            32 |
|   94 |       6 | Accept |    0.021506 |      59.315 |   0.0041074 |    0.011473 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      216 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1063 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            82 |
|   95 |       6 | Accept |    0.022383 |      55.893 |   0.0041074 |   0.0091004 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      205 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1150 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            11 |
|   96 |       6 | Accept |    0.054966 |      273.69 |   0.0041074 |   0.0091004 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:          550 |
|      |         |        |             |             |             |             |              | KernelScale:          10.56 |
|   97 |       6 | Accept |    0.021322 |      64.607 |   0.0041074 |   0.0089091 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      229 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1111 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            52 |
|   98 |       6 | Accept |    0.021691 |      60.128 |   0.0041074 |   0.0083855 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      213 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1112 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            14 |
|   99 |       6 | Accept |     0.59166 |      2658.6 |   0.0041074 |   0.0083855 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.98129 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0054937 |
|  100 |       6 | Accept |     0.22499 |      820.13 |   0.0041074 |   0.0083855 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       869.37 |
|      |         |        |             |             |             |             |              | KernelScale:         1.5553 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  101 |       6 | Accept |    0.021691 |       63.07 |   0.0041074 |    0.008821 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      228 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1180 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            83 |
|  102 |       6 | Accept |     0.02206 |      57.161 |   0.0041074 |   0.0095876 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      207 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1208 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            17 |
|  103 |       6 | Accept |    0.022014 |      59.267 |   0.0041074 |   0.0094147 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      217 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1187 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            61 |
|  104 |       6 | Accept |     0.23763 |      216.82 |   0.0041074 |   0.0094147 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:        512.6 |
|      |         |        |             |             |             |             |              | KernelScale:         1.2736 |
|  105 |       6 | Accept |    0.050212 |     0.76452 |   0.0041074 |   0.0094147 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|  106 |       6 | Accept |    0.023352 |      259.58 |   0.0041074 |    0.010382 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      220 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1372 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            96 |
|  107 |       6 | Accept |    0.022983 |      60.428 |   0.0041074 |   0.0092473 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      219 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1293 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            25 |
|  108 |       6 | Accept |    0.022568 |      62.238 |   0.0041074 |   0.0094314 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      231 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1344 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            19 |
|  109 |       6 | Accept |    0.025383 |      59.558 |   0.0041074 |   0.0091873 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      222 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1404 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            12 |
|  110 |       6 | Accept |    0.022522 |      65.564 |   0.0041074 |    0.009405 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      243 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1360 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            14 |
|  111 |       6 | Accept |    0.022799 |      61.264 |   0.0041074 |   0.0091171 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      226 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1356 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            90 |
|  112 |       6 | Accept |    0.058935 |      45.569 |   0.0041074 |   0.0096787 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      207 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2521 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            33 |
|  113 |       6 | Accept |    0.022937 |       64.08 |   0.0041074 |   0.0087354 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      231 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1383 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            88 |
|  114 |       6 | Accept |    0.027783 |      59.671 |   0.0041074 |    0.012899 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      224 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1551 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            20 |
|  115 |       6 | Accept |    0.027737 |      53.366 |   0.0041074 |   0.0096795 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      203 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1548 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            11 |
|  116 |       6 | Accept |    0.027137 |        62.9 |   0.0041074 |    0.009529 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      227 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1479 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            10 |
|  117 |       6 | Accept |     0.59166 |        3642 |   0.0041074 |    0.009529 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       658.37 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0016161 |
|  118 |       6 | Accept |     0.23163 |      1370.3 |   0.0041074 |    0.009529 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       720.53 |
|      |         |        |             |             |             |             |              | KernelScale:         1.1039 |
|  119 |       6 | Accept |    0.027183 |      58.796 |   0.0041074 |   0.0097206 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      223 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1544 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            25 |
|  120 |       6 | Accept |    0.027091 |      62.912 |   0.0041074 |   0.0086543 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      238 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1499 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            42 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  121 |       6 | Accept |     0.59166 |      3676.1 |   0.0041074 |   0.0086543 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       17.982 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0043756 |
|  122 |       6 | Accept |    0.027783 |      56.988 |   0.0041074 |   0.0095236 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      225 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1551 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            38 |
|  123 |       6 | Accept |     0.22896 |      1222.6 |   0.0041074 |   0.0095236 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       30.726 |
|      |         |        |             |             |             |             |              | KernelScale:         1.2194 |
|  124 |       6 | Accept |    0.028706 |      53.614 |   0.0041074 |   0.0094105 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      213 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1571 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            64 |
|  125 |       6 | Accept |    0.026906 |      68.419 |   0.0041074 |   0.0096214 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      256 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1548 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            72 |
|  126 |       6 | Accept |    0.040705 |      51.812 |   0.0041074 |   0.0096155 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      206 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2028 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            12 |
|  127 |       6 | Accept |     0.10901 |      491.59 |   0.0041074 |   0.0096155 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       317.07 |
|      |         |        |             |             |             |             |              | KernelScale:          3.345 |
|  128 |       6 | Accept |    0.038813 |      50.737 |   0.0041074 |   0.0094473 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      215 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1857 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            77 |
|  129 |       6 | Accept |     0.04269 |      56.006 |   0.0041074 |     0.01155 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      250 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2192 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            17 |
|  130 |       6 | Best   |   0.0040151 |      144.99 |   0.0040151 |   0.0076249 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      286 |
|      |         |        |             |             |             |             |              | MinLeafSize:            133 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            91 |
|  131 |       6 | Accept |    0.039505 |      54.552 |   0.0040151 |   0.0093087 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      234 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2016 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            15 |
|  132 |       6 | Accept |    0.039921 |      49.255 |   0.0040151 |   0.0077926 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      215 |
|      |         |        |             |             |             |             |              | MinLeafSize:           1997 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            77 |
|  133 |       6 | Accept |    0.048182 |      48.846 |   0.0040151 |   0.0086785 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      213 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2243 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            13 |
|  134 |       6 | Accept |    0.041859 |      66.081 |   0.0040151 |   0.0079912 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      263 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2099 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            32 |
|  135 |       6 | Accept |    0.046105 |      68.865 |   0.0040151 |   0.0078968 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      287 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2342 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            12 |
|  136 |       6 | Accept |   0.0042459 |      150.03 |   0.0040151 |    0.008766 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      297 |
|      |         |        |             |             |             |             |              | MinLeafSize:            163 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            92 |
|  137 |       6 | Accept |    0.046289 |      62.375 |   0.0040151 |    0.012639 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      273 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2260 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            67 |
|  138 |       6 | Accept |    0.044028 |      53.269 |   0.0040151 |   0.0092674 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      224 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2190 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            12 |
|  139 |       6 | Accept |     0.04892 |      45.442 |   0.0040151 |    0.006892 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      207 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2354 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            17 |
|  140 |       6 | Accept |     0.11515 |      99.696 |   0.0040151 |   0.0093722 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      281 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2297 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            30 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  141 |       6 | Accept |     0.10845 |       91.18 |   0.0040151 |   0.0065827 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      254 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2275 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            37 |
|  142 |       6 | Accept |     0.74165 |      34.944 |   0.0040151 |   0.0072537 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      253 |
|      |         |        |             |             |             |             |              | MinLeafSize:           8804 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            11 |
|  143 |       6 | Best   |   0.0038767 |      158.75 |   0.0038767 |   0.0057394 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      294 |
|      |         |        |             |             |             |             |              | MinLeafSize:            106 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            94 |
|  144 |       6 | Accept |     0.04592 |      64.846 |   0.0038767 |   0.0062301 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      290 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2326 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            34 |
|  145 |       6 | Accept |    0.047074 |      55.822 |   0.0038767 |   0.0062084 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2345 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            60 |
|  146 |       6 | Accept |     0.04832 |      50.283 |   0.0038767 |   0.0092604 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      227 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2350 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            19 |
|  147 |       6 | Accept |    0.016107 |      26.377 |   0.0038767 |   0.0092604 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       94.982 |
|      |         |        |             |             |             |             |              | KernelScale:         222.61 |
|  148 |       6 | Accept |    0.050166 |      53.779 |   0.0038767 |   0.0068092 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      233 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2407 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            20 |
|  149 |       6 | Accept |    0.058196 |      46.596 |   0.0038767 |   0.0063746 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      210 |
|      |         |        |             |             |             |             |              | MinLeafSize:           2469 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            17 |
|  150 |       6 | Accept |    0.067519 |      48.158 |   0.0038767 |   0.0065889 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      233 |
|      |         |        |             |             |             |             |              | MinLeafSize:           3054 |
|      |         |        |             |             |             |             |              | MaxNumSplits:            68 |

__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 150 reached.
Total function evaluations: 150
Total elapsed time: 5515.7636 seconds.
Total objective function evaluation time: 27568.0193

Best observed feasible point is an ensemble model with:
	Method:          AdaBoostM2
	NumLearningCycles:      294
	MinLeafSize:            106
	MaxNumSplits:            94

Observed objective function value = 0.0038767
Estimated objective function value = 0.006912
Function evaluation time = 158.7495

Best estimated feasible point (according to models) is an ensemble model with:
	Method:          AdaBoostM2
	NumLearningCycles:      210
	MinLeafSize:            129
	MaxNumSplits:           100

Estimated objective function value = 0.0065889
Estimated function evaluation time = 129.4444

Итоговая модель возвращена fitcauto соответствует лучшей предполагаемой допустимой точке. Прежде, чем возвратить модель, функция переобучает его с помощью целых обучающих данных (XTrain и YTrain), перечисленный Learner (или модель) тип и отображенные гиперзначения параметров.

Оцените производительность набора тестов

Оцените итоговую производительность модели на наборе тестовых данных.

testAccuracy = 1 - loss(Mdl,XTest,YTest)
testAccuracy = 0.9963

Итоговая модель правильно классифицирует более чем 99% наблюдений.

Используйте fitcauto автоматически выбрать модель классификации оптимизированными гиперпараметрами, учитывая предиктор и данные об ответе, хранимые в таблице. Перед передающими данными к fitcauto, выполните выбор признаков, чтобы удалить неважные предикторы из набора данных.

Загрузка и данные о разделе

Считайте файл примера CreditRating_Historical.dat в таблицу. Данные о предикторе состоят из финансовых отношений и информации об отрасли промышленности для списка корпоративных клиентов. Переменная отклика состоит из кредитных рейтингов, присвоенных рейтинговым агентством. Предварительно просмотрите первые несколько строк набора данных.

creditrating = readtable('CreditRating_Historical.dat');
head(creditrating)
ans=8×8 table
     ID      WC_TA     RE_TA     EBIT_TA    MVE_BVTD    S_TA     Industry    Rating 
    _____    ______    ______    _______    ________    _____    ________    _______

    62394     0.013     0.104     0.036      0.447      0.142        3       {'BB' }
    48608     0.232     0.335     0.062      1.969      0.281        8       {'A'  }
    42444     0.311     0.367     0.074      1.935      0.366        1       {'A'  }
    48631     0.194     0.263     0.062      1.017      0.228        4       {'BBB'}
    43768     0.121     0.413     0.057      3.647      0.466       12       {'AAA'}
    39255    -0.117    -0.799      0.01      0.179      0.082        4       {'CCC'}
    62236     0.087     0.158     0.049      0.816      0.324        2       {'BBB'}
    39354     0.005     0.181     0.034      2.597      0.388        7       {'AA' }

Поскольку каждое значение в ID переменная является уникальным идентификатором клиента, то есть, length(unique(creditrating.ID)) равно количеству наблюдений в creditrating, ID переменная является плохим предиктором. Удалите ID переменная из таблицы, и преобразует Industry переменная к categorical переменная.

creditrating = removevars(creditrating,'ID');
creditrating.Industry = categorical(creditrating.Industry);

Разделите данные в наборы обучающих данных и наборы тестов. Используйте приблизительно 85% наблюдений для выбора модели и настраивающего процесса гиперпараметра, и 15% наблюдений, чтобы проверить производительность итоговой модели, возвращенной fitcauto на новых данных. Используйте cvpartition разделить данные.

rng('default') % For reproducibility of the partition
c = cvpartition(creditrating.Rating,'Holdout',0.15);
trainingIndices = training(c); % Indices for the training set
testIndices = test(c); % Indices for the test set
creditTrain = creditrating(trainingIndices,:);
creditTest = creditrating(testIndices,:);

Выполните выбор признаков

Прежде, чем передать обучающие данные fitcauto, найдите важные предикторы при помощи fscchi2 функция. Визуализируйте баллы предиктора при помощи bar функция. Поскольку некоторыми баллами может быть Inf, и bar отбрасывания Inf значения, постройте конечные баллы сначала и затем постройте конечное представление Inf баллы в различном цвете.

[idx,scores] = fscchi2(creditTrain,'Rating');
bar(scores(idx)) % Represents finite scores
hold on
veryImportant = isinf(scores);
finiteMax = max(scores(~veryImportant));
bar(finiteMax*veryImportant(idx)) % Represents Inf scores
hold off
xticklabels(strrep(creditTrain.Properties.VariableNames(idx),'_','\_'))
xtickangle(45)
legend({'Finite Scores','Inf Scores'})

Заметьте что Industry предиктор имеет низкий балл, соответствующий p-значению, которое больше 0.05, который указывает на тот Industry не может быть важная функция. Удалите Industry покажите от наборов тестовых данных и обучения.

creditTrain = removevars(creditTrain,'Industry');
creditTest = removevars(creditTest,'Industry');

Запустите fitcauto

fitcauto не поддерживает таблицы для линейного или модели классификации ядер. Чтобы включать они моделируют (или ученик) типы, преобразуют данные о предикторе в матричную форму прежде, чем передать обучающие данные fitcauto. Преобразуйте тестовые данные также. Это преобразование возможно, потому что все остающиеся предикторы являются числовыми.

predictorTrain = removevars(creditTrain,'Rating');
XTrain = table2array(predictorTrain);
YTrain = creditTrain.Rating;

predictorTest = removevars(creditTest,'Rating');
XTest = table2array(predictorTest);
YTest = creditTest.Rating;

Передайте обучающие данные fitcauto. Функция использует Байесовую оптимизацию, чтобы выбрать модели и их гиперзначения параметров, и возвращает обученную модель Mdl с лучшей ожидаемой производительностью. Задайте, чтобы попробовать все доступные типы ученика и запуститься, оптимизация параллельно (требует Parallel Computing Toolbox™). Возвратите второй выход Results это содержит детали Байесовой оптимизации.

Ожидайте, что этот процесс займет время.

options = struct('UseParallel',true);
[Mdl,Results] = fitcauto(XTrain,YTrain, ...
    'Learners','all','HyperparameterOptimizationOptions',options);
Warning: It is recommended that you first standardize all numeric predictors when optimizing the Naive Bayes 'Width' parameter. Ignore this warning if you have done that.
Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 6).
Copying objective function to workers...
Done copying objective function to workers.
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|    1 |       6 | Best   |     0.42716 |      2.8649 |     0.42716 |     0.42716 |        discr | Delta:           0.00046441 |
|      |         |        |             |             |             |             |              | Gamma:               0.2485 |
|    2 |       4 | Accept |     0.74185 |      5.0967 |     0.24948 |     0.42911 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.48455 |
|      |         |        |             |             |             |             |              | KernelScale:         354.44 |
|    3 |       4 | Best   |     0.24948 |      4.9586 |     0.24948 |     0.42911 |       linear | Coding:            onevsone |
|      |         |        |             |             |             |             |              | Lambda:          6.3551e-08 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|    4 |       4 | Accept |     0.29794 |       3.246 |     0.24948 |     0.42911 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:       12 |
|      |         |        |             |             |             |             |              | LearnRate:         0.063776 |
|      |         |        |             |             |             |             |              | MinLeafSize:            277 |
|    5 |       3 | Best   |     0.24708 |       9.215 |     0.24708 |     0.36903 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         7.8433 |
|      |         |        |             |             |             |             |              | Lambda:          1.4468e-06 |
|    6 |       3 | Accept |     0.25067 |     0.65429 |     0.24708 |     0.36903 |          knn | NumNeighbors:           105 |
|      |         |        |             |             |             |             |              | Distance:         minkowski |
|    7 |       6 | Accept |     0.52917 |      2.9984 |     0.24708 |     0.63551 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.002417 |
|      |         |        |             |             |             |             |              | KernelScale:          356.9 |
|    8 |       3 | Accept |     0.55818 |     0.61959 |     0.24708 |     0.58763 |        discr | Delta:              0.98612 |
|      |         |        |             |             |             |             |              | Gamma:              0.86519 |
|    9 |       3 | Accept |      0.3781 |      1.7268 |     0.24708 |     0.58763 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:          1.0412e-06 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|   10 |       3 | Accept |     0.43225 |     0.73455 |     0.24708 |     0.58763 |        discr | Delta:           0.00013711 |
|      |         |        |             |             |             |             |              | Gamma:              0.60585 |
|   11 |       3 | Accept |     0.47712 |      4.1471 |     0.24708 |     0.58763 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       2.7347 |
|      |         |        |             |             |             |             |              | KernelScale:         24.465 |
|   12 |       6 | Accept |     0.25695 |      2.4614 |     0.24708 |     0.58763 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:             0.057566 |
|   13 |       3 | Accept |     0.26383 |     0.54745 |     0.24379 |     0.58763 |         tree | MinLeafSize:             30 |
|   14 |       3 | Accept |     0.42327 |     0.84715 |     0.24379 |     0.58763 |          knn | NumNeighbors:            56 |
|      |         |        |             |             |             |             |              | Distance:            cosine |
|   15 |       3 | Best   |     0.24379 |      2.0052 |     0.24379 |     0.58763 |       linear | Coding:            onevsone |
|      |         |        |             |             |             |             |              | Lambda:          5.9172e-05 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|   16 |       3 | Accept |     0.82112 |      5.0159 |     0.24379 |     0.58763 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:      0.0043375 |
|      |         |        |             |             |             |             |              | Lambda:           0.0023789 |
|   17 |       6 | Accept |     0.45169 |      1.0941 |     0.24379 |     0.32154 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:           0.0028505 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|   18 |       3 | Accept |     0.53365 |      2.9722 |     0.24379 |     0.31096 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0022255 |
|      |         |        |             |             |             |             |              | KernelScale:         206.47 |
|   19 |       3 | Accept |     0.74185 |     0.69997 |     0.24379 |     0.31096 |        discr | Delta:               788.29 |
|      |         |        |             |             |             |             |              | Gamma:             0.096315 |
|   20 |       3 | Accept |     0.39186 |      3.7201 |     0.24379 |     0.31096 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         22.787 |
|      |         |        |             |             |             |             |              | Lambda:          4.7789e-05 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   21 |       3 | Accept |     0.24439 |      1.7527 |     0.24379 |     0.31096 |       linear | Coding:            onevsone |
|      |         |        |             |             |             |             |              | Lambda:          1.9056e-08 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|   22 |       6 | Accept |      0.4834 |     0.42353 |     0.24379 |     0.31096 |          knn | NumNeighbors:            72 |
|      |         |        |             |             |             |             |              | Distance:       correlation |
|   23 |       3 | Accept |     0.74185 |     0.12006 |     0.24379 |     0.31096 |         tree | MinLeafSize:           1558 |
|   24 |       3 | Accept |     0.27042 |     0.67315 |     0.24379 |     0.31096 |         tree | MinLeafSize:             76 |
|   25 |       3 | Accept |     0.45887 |      4.6976 |     0.24379 |     0.31096 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       7.1247 |
|      |         |        |             |             |             |             |              | KernelScale:         0.9781 |
|   26 |       3 | Accept |     0.28208 |     0.88675 |     0.24379 |     0.31096 |          knn | NumNeighbors:           291 |
|      |         |        |             |             |             |             |              | Distance:         minkowski |
|   27 |       6 | Accept |     0.43255 |     0.13008 |     0.24379 |     0.31096 |        discr | Delta:             0.016844 |
|      |         |        |             |             |             |             |              | Gamma:              0.64466 |
|   28 |       4 | Accept |     0.66796 |     0.25188 |     0.24379 |     0.31096 |          knn | NumNeighbors:            77 |
|      |         |        |             |             |             |             |              | Distance:           jaccard |
|   29 |       4 | Accept |     0.28059 |     0.44707 |     0.24379 |     0.31096 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   30 |       4 | Accept |     0.65869 |     0.38657 |     0.24379 |     0.31096 |          knn | NumNeighbors:            61 |
|      |         |        |             |             |             |             |              | Distance:           jaccard |
|   31 |       3 | Accept |     0.74185 |      6.6038 |     0.24379 |     0.31096 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:      0.0010962 |
|      |         |        |             |             |             |             |              | Lambda:            0.035691 |
|   32 |       3 | Accept |     0.27789 |     0.11562 |     0.24379 |     0.31096 |         tree | MinLeafSize:             94 |
|   33 |       6 | Accept |     0.74185 |    0.096361 |     0.24379 |     0.31096 |        discr | Delta:               244.12 |
|      |         |        |             |             |             |             |              | Gamma:              0.23748 |
|   34 |       3 | Accept |     0.32456 |     0.18499 |     0.24349 |     0.31096 |         tree | MinLeafSize:              3 |
|   35 |       3 | Accept |     0.63506 |      2.4392 |     0.24349 |     0.31096 |          knn | NumNeighbors:          1563 |
|      |         |        |             |             |             |             |              | Distance:       mahalanobis |
|   36 |       3 | Best   |     0.24349 |      2.1919 |     0.24349 |     0.31096 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.044076 |
|      |         |        |             |             |             |             |              | KernelScale:       0.035497 |
|   37 |       3 | Accept |      0.6216 |      2.1779 |     0.24349 |     0.31096 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.055096 |
|      |         |        |             |             |             |             |              | KernelScale:         6.2342 |
|   38 |       6 | Accept |     0.42208 |      0.1616 |     0.24349 |     0.31096 |        discr | Delta:            0.0090118 |
|      |         |        |             |             |             |             |              | Gamma:             0.062207 |
|   39 |       4 | Accept |     0.47173 |      3.2018 |     0.24349 |     0.31096 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:       3.7197 |
|      |         |        |             |             |             |             |              | KernelScale:         2.9509 |
|   40 |       4 | Accept |     0.74185 |      2.4165 |     0.24349 |     0.31096 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.019393 |
|      |         |        |             |             |             |             |              | KernelScale:         332.27 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   41 |       4 | Accept |     0.53126 |      2.5238 |     0.24349 |     0.31096 |          knn | NumNeighbors:           372 |
|      |         |        |             |             |             |             |              | Distance:       mahalanobis |
|   42 |       4 | Accept |     0.25965 |      15.125 |     0.24349 |     0.27803 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      150 |
|      |         |        |             |             |             |             |              | LearnRate:         0.014842 |
|      |         |        |             |             |             |             |              | MinLeafSize:             21 |
|   43 |       6 | Accept |     0.74185 |      4.4109 |     0.24349 |     0.27803 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         24.681 |
|      |         |        |             |             |             |             |              | Lambda:            0.092669 |
|   44 |       3 | Accept |     0.26413 |      22.354 |     0.24349 |     0.27803 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      304 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:            100 |
|   45 |       3 | Accept |     0.24499 |      14.917 |     0.24349 |     0.27803 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.019387 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0047515 |
|   46 |       3 | Accept |     0.74185 |      4.3649 |     0.24349 |     0.27803 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         24.681 |
|      |         |        |             |             |             |             |              | Lambda:            0.092669 |
|   47 |       3 | Accept |     0.74185 |      7.1585 |     0.24349 |     0.27803 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         24.681 |
|      |         |        |             |             |             |             |              | Lambda:            0.092669 |
|   48 |       6 | Accept |     0.28059 |     0.18491 |     0.24349 |     0.27255 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   49 |       3 | Accept |     0.60754 |      3.9106 |     0.24349 |     0.27255 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:          176.2 |
|      |         |        |             |             |             |             |              | Lambda:          2.3903e-06 |
|   50 |       3 | Accept |     0.42507 |     0.11067 |     0.24349 |     0.27255 |        discr | Delta:              0.25925 |
|      |         |        |             |             |             |             |              | Gamma:              0.82918 |
|   51 |       3 | Accept |     0.28806 |      4.3596 |     0.24349 |     0.27255 |     ensemble | Method:            RUSBoost |
|      |         |        |             |             |             |             |              | NumLearningCycles:       42 |
|      |         |        |             |             |             |             |              | LearnRate:        0.0031729 |
|      |         |        |             |             |             |             |              | MinLeafSize:             33 |
|   52 |       3 | Accept |     0.47024 |      3.0918 |     0.24349 |     0.27255 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0028932 |
|      |         |        |             |             |             |             |              | KernelScale:        0.47789 |
|   53 |       6 | Accept |     0.49477 |      3.6628 |     0.24349 |     0.27255 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:       0.093586 |
|      |         |        |             |             |             |             |              | Lambda:           0.0050756 |
|   54 |       4 | Accept |     0.27131 |     0.15291 |     0.24349 |     0.27548 |         tree | MinLeafSize:             20 |
|   55 |       4 | Accept |     0.28059 |     0.46186 |     0.24349 |     0.27548 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   56 |       4 | Accept |     0.28059 |     0.45079 |     0.24349 |     0.27548 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   57 |       4 | Accept |     0.32456 |     0.17695 |     0.24349 |     0.27548 |         tree | MinLeafSize:              3 |
|   58 |       4 | Accept |     0.33144 |      1.2562 |     0.24349 |      0.2843 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:            0.0020049 |
|   59 |       3 | Accept |     0.43314 |      23.917 |     0.24349 |     0.28235 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      357 |
|      |         |        |             |             |             |             |              | LearnRate:         0.035928 |
|      |         |        |             |             |             |             |              | MinLeafSize:            799 |
|   60 |       3 | Accept |     0.28059 |     0.13198 |     0.24349 |     0.28235 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   61 |       6 | Accept |     0.26234 |     0.55057 |     0.24349 |     0.28235 |          knn | NumNeighbors:           157 |
|      |         |        |             |             |             |             |              | Distance:         euclidean |
|   62 |       4 | Accept |     0.31917 |      10.817 |     0.24349 |     0.28235 |     ensemble | Method:            RUSBoost |
|      |         |        |             |             |             |             |              | NumLearningCycles:      132 |
|      |         |        |             |             |             |             |              | LearnRate:        0.0014516 |
|      |         |        |             |             |             |             |              | MinLeafSize:            104 |
|   63 |       4 | Accept |     0.24529 |       5.709 |     0.24349 |     0.28235 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         4.6933 |
|      |         |        |             |             |             |             |              | Lambda:          9.8945e-07 |
|   64 |       4 | Accept |     0.43255 |     0.74626 |     0.24349 |     0.28235 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:          2.7304e-07 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|   65 |       4 | Accept |     0.57972 |      2.8035 |     0.24349 |     0.28235 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.12255 |
|      |         |        |             |             |             |             |              | KernelScale:         81.172 |
|   66 |       4 | Accept |     0.26383 |     0.13419 |     0.24349 |     0.28235 |          knn | NumNeighbors:            13 |
|      |         |        |             |             |             |             |              | Distance:         chebychev |
|   67 |       3 | Accept |     0.24469 |      17.277 |     0.24349 |     0.28235 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.062223 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0077043 |
|   68 |       3 | Accept |     0.42596 |    0.095102 |     0.24349 |     0.28235 |        discr | Delta:           9.4222e-06 |
|      |         |        |             |             |             |             |              | Gamma:              0.15603 |
|   69 |       6 | Accept |     0.67783 |     0.67221 |     0.24349 |     0.28235 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:              2.4732 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|   70 |       5 | Accept |     0.25695 |     0.16748 |     0.24349 |     0.28235 |          knn | NumNeighbors:            14 |
|      |         |        |             |             |             |             |              | Distance:         cityblock |
|   71 |       5 | Accept |     0.46276 |      0.7837 |     0.24349 |     0.28235 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:           0.0033674 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|   72 |       4 | Accept |     0.28448 |      6.0063 |     0.24349 |     0.27803 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:       78 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:            168 |
|   73 |       4 | Accept |      0.6548 |      2.4452 |     0.24349 |     0.27803 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:               2.6013 |
|   74 |       4 | Accept |     0.42926 |      0.1085 |     0.24349 |     0.27803 |        discr | Delta:             0.041145 |
|      |         |        |             |             |             |             |              | Gamma:              0.34864 |
|   75 |       2 | Accept |     0.24529 |      222.53 |     0.24349 |     0.27803 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.25488 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0037823 |
|   76 |       2 | Accept |     0.25217 |      21.217 |     0.24349 |     0.27803 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      257 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:             19 |
|   77 |       2 | Accept |     0.32516 |     0.19708 |     0.24349 |     0.27803 |         tree | MinLeafSize:              5 |
|   78 |       6 | Accept |     0.43703 |     0.87585 |     0.24349 |     0.27803 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:            0.013265 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|   79 |       3 | Accept |     0.25695 |      2.1197 |     0.24349 |     0.27803 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       712.17 |
|      |         |        |             |             |             |             |              | KernelScale:         79.244 |
|   80 |       3 | Accept |     0.25456 |       2.276 |     0.24349 |     0.27803 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:       22 |
|      |         |        |             |             |             |             |              | LearnRate:          0.28501 |
|      |         |        |             |             |             |             |              | MinLeafSize:            104 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|   81 |       3 | Accept |     0.31529 |       3.001 |     0.24349 |     0.27803 |     ensemble | Method:            RUSBoost |
|      |         |        |             |             |             |             |              | NumLearningCycles:       22 |
|      |         |        |             |             |             |             |              | LearnRate:          0.10996 |
|      |         |        |             |             |             |             |              | MinLeafSize:            104 |
|   82 |       3 | Accept |     0.42596 |     0.19157 |     0.24349 |     0.27803 |        discr | Delta:           0.00034456 |
|      |         |        |             |             |             |             |              | Gamma:              0.08223 |
|   83 |       5 | Accept |     0.25456 |      7.1816 |     0.24349 |     0.27803 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.78697 |
|      |         |        |             |             |             |             |              | Lambda:          4.1197e-06 |
|   84 |       5 | Accept |     0.43015 |    0.092979 |     0.24349 |     0.27803 |        discr | Delta:            0.0069822 |
|      |         |        |             |             |             |             |              | Gamma:              0.49526 |
|   85 |       3 | Accept |     0.32905 |      0.3807 |     0.24349 |     0.27803 |          knn | NumNeighbors:            65 |
|      |         |        |             |             |             |             |              | Distance:        seuclidean |
|   86 |       3 | Accept |     0.50194 |     0.58497 |     0.24349 |     0.27803 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:               22.21 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|   87 |       3 | Accept |     0.30242 |      0.2907 |     0.24349 |     0.27803 |         tree | MinLeafSize:            219 |
|   88 |       5 | Accept |     0.28328 |      11.457 |     0.24349 |     0.27803 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:        0.24613 |
|      |         |        |             |             |             |             |              | Lambda:          6.5582e-06 |
|   89 |       5 | Accept |     0.67903 |      3.2891 |     0.24349 |     0.27803 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         66.432 |
|      |         |        |             |             |             |             |              | Lambda:          0.00097982 |
|   90 |       3 | Accept |     0.28059 |     0.15967 |     0.24349 |     0.27803 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|   91 |       3 | Accept |     0.74185 |      0.1332 |     0.24349 |     0.27803 |        discr | Delta:               89.479 |
|      |         |        |             |             |             |             |              | Gamma:              0.11568 |
|   92 |       3 | Accept |     0.29704 |      1.6362 |     0.24349 |     0.27803 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.90434 |
|      |         |        |             |             |             |             |              | KernelScale:         5.1972 |
|   93 |       4 | Accept |     0.75232 |      6.2607 |     0.24349 |     0.27803 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:      0.0025204 |
|      |         |        |             |             |             |             |              | Lambda:           0.0017056 |
|   94 |       4 | Accept |     0.61203 |      2.7767 |     0.24349 |     0.27803 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:       53 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:            926 |
|   95 |       4 | Accept |     0.42926 |      0.1032 |     0.24349 |     0.27803 |        discr | Delta:           0.00083172 |
|      |         |        |             |             |             |             |              | Gamma:              0.41309 |
|   96 |       2 | Accept |     0.24619 |      3.3793 |     0.24349 |      0.2819 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       305.08 |
|      |         |        |             |             |             |             |              | KernelScale:         1.4567 |
|   97 |       2 | Accept |     0.71911 |     0.67791 |     0.24349 |      0.2819 |          knn | NumNeighbors:           659 |
|      |         |        |             |             |             |             |              | Distance:           jaccard |
|   98 |       2 | Accept |     0.37212 |      1.5638 |     0.24349 |      0.2819 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:       15 |
|      |         |        |             |             |             |             |              | LearnRate:         0.010706 |
|      |         |        |             |             |             |             |              | MinLeafSize:            366 |
|   99 |       5 | Accept |     0.28059 |      0.1674 |     0.24349 |      0.2819 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|  100 |       5 | Accept |     0.30093 |     0.10739 |     0.24349 |      0.2819 |         tree | MinLeafSize:            135 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  101 |       3 | Accept |      0.2767 |      5.3033 |     0.24349 |      0.2819 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:       53 |
|      |         |        |             |             |             |             |              | LearnRate:         0.012335 |
|      |         |        |             |             |             |             |              | MinLeafSize:              5 |
|  102 |       3 | Accept |     0.28597 |       2.062 |     0.24349 |      0.2819 |     ensemble | Method:            RUSBoost |
|      |         |        |             |             |             |             |              | NumLearningCycles:       23 |
|      |         |        |             |             |             |             |              | LearnRate:         0.018926 |
|      |         |        |             |             |             |             |              | MinLeafSize:              1 |
|  103 |       3 | Accept |     0.61771 |     0.24182 |     0.24349 |      0.2819 |         tree | MinLeafSize:           1200 |
|  104 |       6 | Accept |     0.25576 |      3.0306 |     0.24349 |     0.27907 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:       38 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:             28 |
|  105 |       3 | Accept |     0.31977 |      1.4678 |     0.24349 |     0.27907 |       linear | Coding:            onevsone |
|      |         |        |             |             |             |             |              | Lambda:            0.040102 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|  106 |       3 | Accept |     0.28059 |     0.15767 |     0.24349 |     0.27907 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|  107 |       3 | Accept |     0.52976 |      3.7522 |     0.24349 |     0.27907 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:       52 |
|      |         |        |             |             |             |             |              | LearnRate:        0.0051271 |
|      |         |        |             |             |             |             |              | MinLeafSize:            854 |
|  108 |       3 | Accept |      0.3781 |       1.876 |     0.24349 |     0.27907 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:          9.0139e-07 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|  109 |       6 | Best   |      0.2429 |      2.1357 |      0.2429 |     0.27907 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.10541 |
|      |         |        |             |             |             |             |              | KernelScale:       0.061524 |
|  110 |       3 | Accept |     0.30212 |      15.324 |      0.2429 |     0.27907 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      249 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:            292 |
|  111 |       3 | Accept |     0.25905 |      6.4685 |      0.2429 |     0.27907 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:       61 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:              3 |
|  112 |       3 | Accept |      0.4819 |      3.2352 |      0.2429 |     0.27907 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:        239.8 |
|      |         |        |             |             |             |             |              | KernelScale:         51.105 |
|  113 |       3 | Accept |     0.72241 |      3.0692 |      0.2429 |     0.27907 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:               7.4433 |
|  114 |       6 | Accept |     0.45947 |     0.55863 |      0.2429 |     0.27907 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:            0.028513 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|  115 |       3 | Accept |     0.74185 |      2.3519 |      0.2429 |     0.27907 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:               74.975 |
|  116 |       3 | Accept |     0.29794 |      1.7602 |      0.2429 |     0.27907 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:       14 |
|      |         |        |             |             |             |             |              | LearnRate:        0.0011077 |
|      |         |        |             |             |             |             |              | MinLeafSize:              2 |
|  117 |       3 | Accept |     0.48549 |      14.081 |      0.2429 |     0.27907 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.36208 |
|      |         |        |             |             |             |             |              | KernelScale:       0.061675 |
|  118 |       3 | Accept |     0.38169 |      3.4566 |      0.2429 |     0.27907 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         6.0043 |
|      |         |        |             |             |             |             |              | Lambda:           0.0033315 |
|  119 |       6 | Accept |     0.24559 |      5.4474 |      0.2429 |     0.27907 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0059499 |
|      |         |        |             |             |             |             |              | KernelScale:      0.0045622 |
|  120 |       4 | Best   |      0.2408 |      1.6297 |      0.2408 |     0.27907 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.011671 |
|      |         |        |             |             |             |             |              | KernelScale:       0.050076 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  121 |       4 | Accept |     0.25725 |      15.492 |      0.2408 |     0.27907 |     ensemble | Method:          AdaBoostM2 |
|      |         |        |             |             |             |             |              | NumLearningCycles:      149 |
|      |         |        |             |             |             |             |              | LearnRate:          0.10812 |
|      |         |        |             |             |             |             |              | MinLeafSize:              1 |
|  122 |       4 | Accept |     0.47831 |    0.088834 |      0.2408 |     0.27907 |         tree | MinLeafSize:            833 |
|  123 |       4 | Best   |      0.2405 |      1.4439 |      0.2405 |     0.24636 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.015035 |
|      |         |        |             |             |             |             |              | KernelScale:       0.057715 |
|  124 |       4 | Accept |      0.2417 |      1.5135 |      0.2405 |     0.24498 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0095934 |
|      |         |        |             |             |             |             |              | KernelScale:       0.058685 |
|  125 |       4 | Best   |      0.2399 |      1.4853 |      0.2399 |     0.24443 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.035844 |
|      |         |        |             |             |             |             |              | KernelScale:        0.08166 |
|  126 |       4 | Accept |     0.24529 |      63.489 |      0.2399 |     0.24408 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       405.36 |
|      |         |        |             |             |             |             |              | KernelScale:         0.3059 |
|  127 |       4 | Accept |      0.2417 |      1.4706 |      0.2399 |     0.24465 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.016665 |
|      |         |        |             |             |             |             |              | KernelScale:       0.083583 |
|  128 |       4 | Accept |     0.25546 |      1.4908 |      0.2399 |     0.24411 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.038736 |
|      |         |        |             |             |             |             |              | KernelScale:        0.55267 |
|  129 |       4 | Accept |     0.30841 |       1.885 |      0.2399 |     0.24408 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0015949 |
|      |         |        |             |             |             |             |              | KernelScale:        0.34759 |
|  130 |       4 | Accept |     0.36494 |      1.9172 |      0.2399 |     0.24384 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.017084 |
|      |         |        |             |             |             |             |              | KernelScale:         1.9122 |
|  131 |       4 | Accept |     0.30242 |      1.6419 |      0.2399 |     0.24389 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.033156 |
|      |         |        |             |             |             |             |              | KernelScale:         1.1823 |
|  132 |       5 | Accept |     0.40203 |      1.8764 |      0.2399 |     0.24422 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.022866 |
|      |         |        |             |             |             |             |              | KernelScale:         2.5154 |
|  133 |       5 | Accept |     0.24349 |       2.287 |      0.2399 |     0.24422 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.14375 |
|      |         |        |             |             |             |             |              | KernelScale:       0.063056 |
|  134 |       5 | Accept |      0.2402 |       1.598 |      0.2399 |     0.24365 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.012787 |
|      |         |        |             |             |             |             |              | KernelScale:       0.061711 |
|  135 |       4 | Accept |      0.4843 |      135.72 |      0.2399 |     0.24365 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0016902 |
|      |         |        |             |             |             |             |              | KernelScale:       0.031528 |
|  136 |       4 | Accept |     0.78193 |      10.536 |      0.2399 |     0.24365 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:      0.0024164 |
|      |         |        |             |             |             |             |              | Lambda:          3.0566e-07 |
|  137 |       4 | Accept |      0.4499 |      4.2514 |      0.2399 |     0.24207 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.020039 |
|      |         |        |             |             |             |             |              | KernelScale:        0.05327 |
|  138 |       4 | Accept |     0.79061 |      10.427 |      0.2399 |     0.24207 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:      0.0012217 |
|      |         |        |             |             |             |             |              | Lambda:          1.8732e-06 |
|  139 |       4 | Accept |     0.24379 |      1.5859 |      0.2399 |      0.2419 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0026657 |
|      |         |        |             |             |             |             |              | KernelScale:       0.058261 |
|  140 |       4 | Accept |     0.24379 |      1.7337 |      0.2399 |     0.24721 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.02367 |
|      |         |        |             |             |             |             |              | KernelScale:       0.037805 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  141 |       4 | Accept |     0.74604 |       9.898 |      0.2399 |     0.24721 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.03064 |
|      |         |        |             |             |             |             |              | Lambda:          4.6992e-06 |
|  142 |       4 | Accept |     0.24619 |      4.1003 |      0.2399 |     0.24822 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.40789 |
|      |         |        |             |             |             |             |              | KernelScale:       0.047603 |
|  143 |       4 | Accept |     0.24499 |      9.2411 |      0.2399 |     0.24541 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.80115 |
|      |         |        |             |             |             |             |              | KernelScale:       0.038152 |
|  144 |       4 | Accept |      0.2405 |       1.389 |      0.2399 |     0.24287 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.018782 |
|      |         |        |             |             |             |             |              | KernelScale:        0.06909 |
|  145 |       4 | Accept |     0.26234 |      4.1253 |      0.2399 |     0.24287 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         3.0021 |
|      |         |        |             |             |             |             |              | Lambda:            0.002498 |
|  146 |       4 | Accept |     0.24559 |      1.3591 |      0.2399 |     0.24345 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0015537 |
|      |         |        |             |             |             |             |              | KernelScale:       0.061601 |
|  147 |       4 | Accept |     0.39426 |      2.1758 |      0.2399 |     0.24345 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         2.7611 |
|      |         |        |             |             |             |             |              | Lambda:            0.058785 |
|  148 |       4 | Accept |     0.44032 |      9.2619 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.10145 |
|      |         |        |             |             |             |             |              | Lambda:           1.247e-06 |
|  149 |       4 | Accept |     0.26114 |      5.2181 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         12.896 |
|      |         |        |             |             |             |             |              | Lambda:          5.2477e-07 |
|  150 |       4 | Accept |     0.50374 |      10.004 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:       0.073856 |
|      |         |        |             |             |             |             |              | Lambda:          1.1532e-06 |
|  151 |       4 | Accept |     0.27939 |      5.1821 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         16.882 |
|      |         |        |             |             |             |             |              | Lambda:          3.1205e-07 |
|  152 |       4 | Accept |     0.27819 |      4.5003 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         18.796 |
|      |         |        |             |             |             |             |              | Lambda:          1.2989e-05 |
|  153 |       4 | Accept |     0.27819 |      4.7288 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         20.531 |
|      |         |        |             |             |             |             |              | Lambda:          7.0733e-07 |
|  154 |       4 | Accept |     0.64792 |      3.5128 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         13.339 |
|      |         |        |             |             |             |             |              | Lambda:            0.015595 |
|  155 |       4 | Accept |     0.36135 |      4.5167 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         23.171 |
|      |         |        |             |             |             |             |              | Lambda:          8.9366e-07 |
|  156 |       4 | Accept |     0.31947 |      4.9979 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         23.387 |
|      |         |        |             |             |             |             |              | Lambda:          3.5105e-07 |
|  157 |       4 | Accept |     0.25935 |      4.7775 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         9.5518 |
|      |         |        |             |             |             |             |              | Lambda:          4.9153e-06 |
|  158 |       4 | Accept |     0.30093 |       3.849 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         7.3599 |
|      |         |        |             |             |             |             |              | Lambda:           0.0025979 |
|  159 |       4 | Accept |     0.35028 |      4.1896 |      0.2399 |     0.24345 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         23.149 |
|      |         |        |             |             |             |             |              | Lambda:          8.8313e-06 |
|  160 |       4 | Accept |     0.24559 |      1.3885 |      0.2399 |     0.24519 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0027832 |
|      |         |        |             |             |             |             |              | KernelScale:       0.069321 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  161 |       4 | Accept |     0.26324 |        4.97 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         11.576 |
|      |         |        |             |             |             |             |              | Lambda:          5.1587e-06 |
|  162 |       3 | Accept |     0.24379 |      430.57 |      0.2399 |     0.24519 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       314.58 |
|      |         |        |             |             |             |             |              | KernelScale:       0.055576 |
|  163 |       3 | Accept |     0.26742 |      4.2066 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         9.9599 |
|      |         |        |             |             |             |             |              | Lambda:           0.0002376 |
|  164 |       6 | Accept |     0.25546 |      7.3897 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.66256 |
|      |         |        |             |             |             |             |              | Lambda:          4.9136e-06 |
|  165 |       3 | Accept |     0.29165 |      4.0149 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         8.7912 |
|      |         |        |             |             |             |             |              | Lambda:          0.00065247 |
|  166 |       3 | Accept |     0.28059 |     0.16557 |      0.2399 |     0.24519 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|  167 |       3 | Accept |       0.242 |      1.5393 |      0.2399 |     0.24519 |       linear | Coding:            onevsone |
|      |         |        |             |             |             |             |              | Lambda:           4.114e-07 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|  168 |       3 | Accept |     0.66437 |      1.3826 |      0.2399 |     0.24519 |       linear | Coding:            onevsone |
|      |         |        |             |             |             |             |              | Lambda:              1.5345 |
|      |         |        |             |             |             |             |              | Learner:           logistic |
|  169 |       6 | Accept |     0.30302 |      3.6462 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         10.456 |
|      |         |        |             |             |             |             |              | Lambda:           0.0012729 |
|  170 |       3 | Accept |     0.36584 |      9.8828 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.12329 |
|      |         |        |             |             |             |             |              | Lambda:          5.7761e-06 |
|  171 |       3 | Accept |      0.2767 |      2.2185 |      0.2399 |     0.24519 |           nb | DistributionNames:   kernel |
|      |         |        |             |             |             |             |              | Width:             0.013013 |
|  172 |       3 | Accept |     0.29016 |      10.253 |      0.2399 |     0.24519 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:      161 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:            233 |
|  173 |       3 | Accept |     0.30212 |     0.17493 |      0.2399 |     0.24519 |         tree | MinLeafSize:            125 |
|  174 |       6 | Accept |     0.36853 |      3.9359 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:          14.54 |
|      |         |        |             |             |             |             |              | Lambda:           0.0018156 |
|  175 |       3 | Accept |      0.2399 |      1.5716 |      0.2399 |     0.24519 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.018425 |
|      |         |        |             |             |             |             |              | KernelScale:        0.05816 |
|  176 |       3 | Accept |     0.25426 |      2.1785 |      0.2399 |     0.24519 |     ensemble | Method:                 Bag |
|      |         |        |             |             |             |             |              | NumLearningCycles:       21 |
|      |         |        |             |             |             |             |              | LearnRate:              NaN |
|      |         |        |             |             |             |             |              | MinLeafSize:             10 |
|  177 |       3 | Accept |     0.44421 |     0.69127 |      0.2399 |     0.24519 |       linear | Coding:            onevsall |
|      |         |        |             |             |             |             |              | Lambda:          9.8986e-08 |
|      |         |        |             |             |             |             |              | Learner:                svm |
|  178 |       3 | Accept |     0.24349 |      4.7623 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         7.5839 |
|      |         |        |             |             |             |             |              | Lambda:          6.1706e-06 |
|  179 |       6 | Accept |     0.32546 |      3.8654 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         11.818 |
|      |         |        |             |             |             |             |              | Lambda:           0.0021157 |
|  180 |       3 | Accept |     0.25396 |      4.8254 |      0.2399 |     0.24519 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         3.2686 |
|      |         |        |             |             |             |             |              | Lambda:          1.4612e-06 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  181 |       3 | Accept |     0.51391 |      3.1699 |      0.2399 |     0.24519 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.11591 |
|      |         |        |             |             |             |             |              | KernelScale:         495.17 |
|  182 |       3 | Accept |      0.2417 |      1.6756 |      0.2399 |     0.24519 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:        7.202 |
|      |         |        |             |             |             |             |              | KernelScale:         1.5776 |
|  183 |       3 | Accept |     0.28059 |     0.59112 |      0.2399 |     0.24519 |           nb | DistributionNames:   normal |
|      |         |        |             |             |             |             |              | Width:                  NaN |
|  184 |       6 | Accept |     0.31259 |      3.7378 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         12.684 |
|      |         |        |             |             |             |             |              | Lambda:           0.0015075 |
|  185 |       4 | Accept |     0.25277 |      12.458 |      0.2399 |     0.24519 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:        0.66323 |
|      |         |        |             |             |             |             |              | Lambda:          3.1391e-06 |
|  186 |       4 | Accept |     0.74185 |       4.433 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         513.67 |
|      |         |        |             |             |             |             |              | Lambda:            0.013813 |
|  187 |       4 | Accept |     0.29165 |      9.8216 |      0.2399 |     0.24519 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         0.1806 |
|      |         |        |             |             |             |             |              | Lambda:          5.7403e-05 |
|  188 |       4 | Accept |     0.24589 |      5.2677 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         4.5409 |
|      |         |        |             |             |             |             |              | Lambda:          1.6179e-06 |
|  189 |       4 | Accept |     0.25875 |      4.9459 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         13.189 |
|      |         |        |             |             |             |             |              | Lambda:          1.0438e-06 |
|  190 |       4 | Accept |     0.29794 |      9.4099 |      0.2399 |     0.24519 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.24389 |
|      |         |        |             |             |             |             |              | Lambda:          1.5305e-06 |
|  191 |       4 | Accept |      0.2399 |      1.4613 |      0.2399 |     0.24482 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.017676 |
|      |         |        |             |             |             |             |              | KernelScale:        0.05684 |
|  192 |       4 | Accept |      0.6198 |      2.1987 |      0.2399 |     0.24188 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.037629 |
|      |         |        |             |             |             |             |              | KernelScale:         4.6813 |
|  193 |       4 | Accept |     0.24589 |      3.6814 |      0.2399 |     0.24395 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.48718 |
|      |         |        |             |             |             |             |              | KernelScale:       0.071987 |
|  194 |       4 | Accept |     0.30362 |      1.6935 |      0.2399 |     0.24179 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.036257 |
|      |         |        |             |             |             |             |              | KernelScale:          1.496 |
|  195 |       4 | Accept |     0.24828 |      5.6169 |      0.2399 |     0.24179 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         2.0998 |
|      |         |        |             |             |             |             |              | Lambda:          1.7852e-06 |
|  196 |       4 | Accept |      0.2405 |      1.4008 |      0.2399 |      0.2416 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.025005 |
|      |         |        |             |             |             |             |              | KernelScale:       0.079623 |
|  197 |       4 | Accept |     0.25695 |      10.376 |      0.2399 |      0.2416 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:        0.54744 |
|      |         |        |             |             |             |             |              | Lambda:           2.181e-06 |
|  198 |       4 | Accept |      0.2429 |      1.8889 |      0.2399 |     0.25253 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.090859 |
|      |         |        |             |             |             |             |              | KernelScale:       0.066231 |
|  199 |       4 | Accept |     0.24858 |      4.1934 |      0.2399 |     0.25163 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         2.5004 |
|      |         |        |             |             |             |             |              | Lambda:           0.0016318 |
|  200 |       4 | Accept |      0.2408 |      1.4334 |      0.2399 |     0.24216 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.029253 |
|      |         |        |             |             |             |             |              | KernelScale:       0.063477 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  201 |       4 | Accept |     0.25067 |      1.4766 |      0.2399 |     0.24186 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.01517 |
|      |         |        |             |             |             |             |              | KernelScale:        0.27169 |
|  202 |       4 | Accept |     0.29794 |      1.8479 |      0.2399 |     0.24143 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.20149 |
|      |         |        |             |             |             |             |              | KernelScale:         2.5463 |
|  203 |       4 | Accept |     0.24589 |      6.5027 |      0.2399 |     0.24148 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.30831 |
|      |         |        |             |             |             |             |              | KernelScale:       0.028787 |
|  204 |       4 | Accept |     0.24678 |      4.2346 |      0.2399 |     0.24148 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.5999 |
|      |         |        |             |             |             |             |              | Lambda:           0.0022599 |
|  205 |       5 | Accept |     0.28148 |       4.267 |      0.2399 |     0.24148 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         3.1926 |
|      |         |        |             |             |             |             |              | Lambda:           0.0039213 |
|  206 |       5 | Accept |     0.25366 |      4.6995 |      0.2399 |     0.24148 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         2.2861 |
|      |         |        |             |             |             |             |              | Lambda:           0.0023336 |
|  207 |       6 | Accept |     0.28986 |      4.6245 |      0.2399 |     0.24148 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         2.8603 |
|      |         |        |             |             |             |             |              | Lambda:           0.0072539 |
|  208 |       6 | Accept |     0.25067 |      4.9866 |      0.2399 |     0.24148 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.0901 |
|      |         |        |             |             |             |             |              | Lambda:           0.0099896 |
|  209 |       6 | Accept |     0.26802 |       4.837 |      0.2399 |     0.24148 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.6265 |
|      |         |        |             |             |             |             |              | Lambda:             0.01081 |
|  210 |       6 | Accept |     0.24499 |      56.624 |      0.2399 |     0.24154 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       8.7909 |
|      |         |        |             |             |             |             |              | KernelScale:        0.05728 |
|  211 |       6 | Accept |     0.25097 |      5.1646 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.94502 |
|      |         |        |             |             |             |             |              | Lambda:            0.012321 |
|  212 |       6 | Accept |     0.27879 |       4.737 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.5962 |
|      |         |        |             |             |             |             |              | Lambda:            0.014927 |
|  213 |       6 | Accept |     0.28537 |      4.6966 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:          1.858 |
|      |         |        |             |             |             |             |              | Lambda:            0.012473 |
|  214 |       5 | Accept |     0.24529 |      172.16 |      0.2399 |     0.24154 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       32.749 |
|      |         |        |             |             |             |             |              | KernelScale:       0.061248 |
|  215 |       5 | Accept |     0.25127 |      4.7942 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.91593 |
|      |         |        |             |             |             |             |              | Lambda:            0.013134 |
|  216 |       5 | Accept |       0.277 |      4.1458 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.4949 |
|      |         |        |             |             |             |             |              | Lambda:            0.015008 |
|  217 |       5 | Accept |     0.30123 |      3.9237 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.2069 |
|      |         |        |             |             |             |             |              | Lambda:            0.071401 |
|  218 |       5 | Accept |     0.30691 |       2.555 |      0.2399 |     0.24154 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         1.0328 |
|      |         |        |             |             |             |             |              | Lambda:            0.013653 |
|  219 |       5 | Accept |     0.29106 |      4.1175 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.9718 |
|      |         |        |             |             |             |             |              | Lambda:            0.014791 |
|  220 |       5 | Accept |     0.27341 |       4.054 |      0.2399 |     0.24154 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.0948 |
|      |         |        |             |             |             |             |              | Lambda:            0.029433 |
|==============================================================================================================================|
| Iter | Active  | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |      Learner | Hyperparameter:       Value |
|      | workers | result |             | runtime     | (observed)  | (estim.)    |              |                             |
|==============================================================================================================================|
|  221 |       5 | Accept |     0.24499 |      1.7385 |      0.2399 |     0.24325 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.019711 |
|      |         |        |             |             |             |             |              | KernelScale:        0.20418 |
|  222 |       5 | Accept |     0.32576 |      3.5611 |      0.2399 |     0.24325 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.96406 |
|      |         |        |             |             |             |             |              | Lambda:             0.19447 |
|  223 |       5 | Accept |     0.33084 |      4.3505 |      0.2399 |     0.24325 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         23.853 |
|      |         |        |             |             |             |             |              | Lambda:          4.1268e-07 |
|  224 |       5 | Accept |     0.25187 |      1.6516 |      0.2399 |     0.24139 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0019286 |
|      |         |        |             |             |             |             |              | KernelScale:        0.10433 |
|  225 |       5 | Accept |     0.25037 |       4.822 |      0.2399 |     0.24139 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.71239 |
|      |         |        |             |             |             |             |              | Lambda:            0.015711 |
|  226 |       5 | Accept |      0.3452 |      10.241 |      0.2399 |     0.24139 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.14973 |
|      |         |        |             |             |             |             |              | Lambda:          1.4037e-06 |
|  227 |       5 | Accept |     0.26204 |      9.4337 |      0.2399 |     0.24139 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.41479 |
|      |         |        |             |             |             |             |              | Lambda:          3.5263e-06 |
|  228 |       5 | Accept |     0.25097 |       1.604 |      0.2399 |     0.24158 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.018254 |
|      |         |        |             |             |             |             |              | KernelScale:         0.2875 |
|  229 |       5 | Accept |     0.36075 |      4.6692 |      0.2399 |     0.24158 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         24.105 |
|      |         |        |             |             |             |             |              | Lambda:           3.803e-07 |
|  230 |       4 | Accept |     0.24559 |      465.69 |      0.2399 |     0.24158 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:       318.11 |
|      |         |        |             |             |             |             |              | KernelScale:       0.061933 |
|  231 |       4 | Accept |     0.29016 |      4.7925 |      0.2399 |     0.24158 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         1.3656 |
|      |         |        |             |             |             |             |              | Lambda:            0.035821 |
|  232 |       4 | Accept |     0.24649 |      1.5588 |      0.2399 |     0.24083 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:    0.0013393 |
|      |         |        |             |             |             |             |              | KernelScale:       0.068648 |
|  233 |       4 | Accept |     0.25426 |      1.4221 |      0.2399 |     0.24157 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.080107 |
|      |         |        |             |             |             |             |              | KernelScale:        0.72702 |
|  234 |       4 | Accept |     0.31558 |      1.8074 |      0.2399 |     0.24166 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.067209 |
|      |         |        |             |             |             |             |              | KernelScale:         2.6645 |
|  235 |       4 | Accept |      0.3443 |      3.9888 |      0.2399 |     0.24166 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         24.211 |
|      |         |        |             |             |             |             |              | Lambda:          5.9888e-07 |
|  236 |       4 | Accept |     0.24619 |      3.3676 |      0.2399 |     0.24171 |          svm | Coding:            onevsone |
|      |         |        |             |             |             |             |              | BoxConstraint:      0.64044 |
|      |         |        |             |             |             |             |              | KernelScale:       0.072822 |
|  237 |       4 | Accept |     0.24948 |      4.0124 |      0.2399 |     0.24171 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:        0.72883 |
|      |         |        |             |             |             |             |              | Lambda:            0.020466 |
|  238 |       4 | Accept |     0.44601 |      3.6883 |      0.2399 |      0.2408 |          svm | Coding:            onevsall |
|      |         |        |             |             |             |             |              | BoxConstraint:     0.016081 |
|      |         |        |             |             |             |             |              | KernelScale:       0.065807 |
|  239 |       4 | Accept |     0.25636 |      4.1374 |      0.2399 |      0.2408 |       kernel | Coding:            onevsall |
|      |         |        |             |             |             |             |              | KernelScale:         4.6533 |
|      |         |        |             |             |             |             |              | Lambda:          9.4081e-07 |
|  240 |       4 | Accept |     0.26114 |      5.0408 |      0.2399 |      0.2408 |       kernel | Coding:            onevsone |
|      |         |        |             |             |             |             |              | KernelScale:         12.554 |
|      |         |        |             |             |             |             |              | Lambda:          1.5929e-06 |

__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 240 reached.
Total function evaluations: 240
Total elapsed time: 1954.7195 seconds.
Total objective function evaluation time: 2414.1608

Best observed feasible point is a multiclass svm model with:
	Coding (ECOC):     onevsone
	BoxConstraint:     0.035844
	KernelScale:        0.08166

Observed objective function value = 0.2399
Estimated objective function value = 0.24266
Function evaluation time = 1.4853

Best estimated feasible point (according to models) is a multiclass svm model with:
	Coding (ECOC):     onevsone
	BoxConstraint:     0.018425
	KernelScale:        0.05816

Estimated objective function value = 0.2408
Estimated function evaluation time = 1.6217

Итоговая модель возвращена fitcauto соответствует лучшей предполагаемой допустимой точке. Прежде, чем возвратить модель, функция переобучает его с помощью целых обучающих данных (XTrain и YTrain), перечисленный Learner (или модель) тип и отображенные гиперзначения параметров.

Оцените производительность набора тестов

Модель Mdl соответствует лучшей точке в Байесовой оптимизации согласно 'min-visited-mean' критерий. Чтобы измерить, как модель выполнит на новых данных, посмотрите на наблюдаемую точность перекрестной проверки модели (cvAccuracy) и его общая предполагаемая производительность на основе Байесовой оптимизации (estimatedAccuracy).

[x,~,iteration] = bestPoint(Results,'Criterion','min-visited-mean');

cvError = Results.ObjectiveTrace(iteration);
cvAccuracy = 1 - cvError
cvAccuracy = 0.7601
estimatedError = predictObjective(Results,x);
estimatedAccuracy = 1 - estimatedError
estimatedAccuracy = 0.7592

Оцените производительность модели на наборе тестов. Создайте матрицу беспорядка из результатов и задайте порядок классов в матрице беспорядка.

testAccuracy = 1 - loss(Mdl,XTest,YTest)
testAccuracy = 0.7438
cm = confusionchart(YTest,predict(Mdl,XTest));
sortClasses(cm,{'AAA','AA','A','BBB','BB','B','CCC'})

Входные параметры

свернуть все

Выборочные данные в виде таблицы. Каждая строка Tbl соответствует одному наблюдению, и каждый столбец соответствует одному предиктору. Опционально, Tbl может содержать один дополнительный столбец для переменной отклика. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не приняты.

Если Tbl содержит переменную отклика, и вы хотите использовать все остающиеся переменные в Tbl как предикторы, затем задайте переменную отклика с помощью ResponseVarName.

Если Tbl содержит переменную отклика, и вы хотите использовать только подмножество остающихся переменных в Tbl как предикторы, задайте формулу с помощью formula.

Если Tbl не содержит переменную отклика, задает переменную отклика с помощью Y. Длина переменной отклика и количество строк в Tbl должно быть равным.

Примечание

fitcauto не поддерживает таблицы для линейного или модели классификации ядер. Таким образом, если вы хотите Learners включать 'linear' или 'kernel' модели, вы не можете предоставить Tbl, ResponseVarName, или formula. Предоставьте матрицу данных о предикторе (X) и массив ответов (Y) вместо этого.

Типы данных: table

Имя переменной отклика в виде имени переменной в Tbl.

Необходимо задать ResponseVarName как вектор символов или строковый скаляр. Например, если переменная отклика Y хранится как Tbl.Y, затем задайте его как 'Y'. В противном случае программное обеспечение обрабатывает все столбцы Tbl, включая Y, как предикторы, когда обучение модель.

Переменная отклика должна быть категориальным, символом, или массивом строк, логическим или числовым вектором или массивом ячеек из символьных векторов. Если Y символьный массив, затем каждый элемент переменной отклика должен соответствовать одной строке массива.

Хорошая практика должна задать порядок классов при помощи ClassNames аргумент пары "имя-значение".

Типы данных: char | string

Объяснительная модель переменной отклика и подмножество переменных предикторов в виде вектора символов или строкового скаляра в форме 'Y~X1+X2+X3'. В этой форме, Y представляет переменную отклика и X1x2 , и X3 представляйте переменные предикторы.

Задавать подмножество переменных в Tbl как предикторы для обучения модель, используйте формулу. Если вы задаете формулу, то программное обеспечение не использует переменных в Tbl это не появляется в formula.

Имена переменных в формуле должны быть оба именами переменных в Tbl (Tbl.Properties.VariableNames) и допустимые идентификаторы MATLAB®.

Можно проверить имена переменных в Tbl при помощи isvarname функция. Следующий код возвращает логический 1 TRUE) для каждой переменной, которая имеет допустимое имя переменной.

cellfun(@isvarname,Tbl.Properties.VariableNames)
Если имена переменных в Tbl не допустимы, затем преобразуют их при помощи matlab.lang.makeValidName функция.
Tbl.Properties.VariableNames = matlab.lang.makeValidName(Tbl.Properties.VariableNames);

Типы данных: char | string

Класс помечает в виде числового, категориального, или логического вектора, символьного массива или массива строк или массива ячеек из символьных векторов.

  • Если Y символьный массив, затем каждый элемент меток класса должен соответствовать одной строке массива.

  • Длина Y и количество строк в Tbl или X должно быть равным.

  • Хорошая практика должна задать порядок класса при помощи ClassNames аргумент пары "имя-значение".

Типы данных: single | double | categorical | logical | char | string | cell

Данные о предикторе в виде числовой матрицы.

Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одному предиктору.

Длина Y и количество строк в X должно быть равным.

Задавать имена предикторов в порядке их внешнего вида в X, используйте PredictorNames аргумент пары "имя-значение".

Типы данных: single | double

Примечание

Программное обеспечение обрабатывает NaN, пустой символьный вектор (''), пустая строка (""), <missing>, и <undefined> элементы как недостающие данные. Программное обеспечение удаляет строки данных, соответствующих отсутствующим значениям в переменной отклика. Однако обработка отсутствующих значений в данных о предикторе X или Tbl варьируется среди моделей (или ученики).

Аргументы в виде пар имя-значение

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.

Пример: 'HyperparameterOptimizationOptions',struct('MaxObjectiveEvaluations',200,'Verbose',2) задает, чтобы запустить 200 итераций процесса оптимизации (то есть, попробуйте 200 комбинаций гиперпараметра модели), и отобразить информацию в Командном окне о следующей комбинации гиперпараметра модели, которая будет оценена.

Опции оптимизации

свернуть все

Типы моделей классификации, чтобы попробовать во время оптимизации в виде разделенной запятой пары, состоящей из 'Learners' и значение в первой приведенной ниже таблице или одно или несколько имен ученика во второй таблице. Задайте несколько имен ученика как массив строк или массив ячеек.

ЗначениеОписание
'auto'fitcauto автоматически выбирает подмножество учеников, подходящих для данного предиктора и данных об ответе. У учеников могут быть гиперзначения параметров модели, которые отличаются от значения по умолчанию. Для получения дополнительной информации смотрите Автоматический Выбор Учеников.
'all'fitcauto выбирает всех возможных учеников.
'all-linear'fitcauto выбирает всех линейных учеников: 'discr' (с линейным дискриминантным типом), 'linear', и 'svm' (с линейным ядром).
'all-nonlinear'fitcauto выбирает всех нелинейных учеников: 'discr' (с квадратичным дискриминантным типом), 'ensemble', 'kernel', 'knn', 'nb', 'svm' (с Гауссовым или полиномиальным ядром), и 'tree'.

Имя ученикаОписание
'discr'Классификатор дискриминантного анализа
'ensemble'Модель классификации ансамблей
'kernel'Модель классификации ядер
'knn'модель k - ближайших соседей
'linear'Линейная модель классификации
'nb'Наивный классификатор Байеса
'svm'Классификатор машины опорных векторов
'tree'Дерево классификации выборов из двух альтернатив

Пример: 'Learners','all'

Пример: 'Learners','ensemble'

Пример: 'Learners',{'svm','tree'}

Типы данных: char | string | cell

Гиперпараметры, чтобы оптимизировать в виде разделенной запятой пары, состоящей из 'OptimizeHyperparameters' и 'auto' или 'all'. optimizable гиперпараметры зависят от модели (или ученик), как описано в этой таблице.

Имя ученикаГиперпараметры для 'auto'Дополнительные гиперпараметры для 'all'Примечания
'discr'Delta, GammaDiscrimType

  • Когда Learners значением является 'all-linear', fitcauto функция выбирает среди DiscrimType значения 'linear', 'diaglinear', и 'pseudolinear', независимо от OptimizeHyperparameters значение.

  • Когда Learners значением является 'all-nonlinear', fitcauto функция выбирает среди DiscrimType значения 'quadratic', 'diagquadratic', и 'pseudoquadratic', независимо от OptimizeHyperparameters значение.

Для получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters.

'ensemble'Method, NumLearningCycles, LearnRate, MinLeafSizeMaxNumSplits, NumVariablesToSample, SplitCriterion

  • Когда ансамбль Method значение является повышающим методом, ансамбль NumBins значением является 50.

Для получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters.

'kernel'KernelScale\lambda, Coding (только для трех или больше классов)Learner, NumExpansionDimensionsДля получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters и OptimizeHyperparameters (только для трех или больше классов).
'knn'Distance, NumNeighborsDistanceWeight, Exponent, StandardizeДля получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters.
'linear'Lambda, Learner, Coding (только для трех или больше классов)RegularizationДля получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters и OptimizeHyperparameters (только для трех или больше классов).
'nb'DistributionNames, WidthKernelДля получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters.
'svm'BoxConstraint, KernelScale, Coding (только для трех или больше классов)KernelFunction, PolynomialOrder, Standardize

  • Когда Learners значением является 'all-linear', fitcauto функция не оптимизирует KernelFunction или PolynomialOrder гиперпараметры, когда OptimizeHyperparameters значением является 'all'.

  • Когда Learners значением является 'all-nonlinear', fitcauto функция выбирает среди KernelFunction значения 'gaussian' и 'polynomial', независимо от OptimizeHyperparameters значение.

Для получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters и OptimizeHyperparameters (только для трех или больше классов).

'tree'MinLeafSizeMaxNumSplits, NumVariablesToSample, SplitCriterionДля получения дополнительной информации, включая области значений поиска гиперпараметра, смотрите OptimizeHyperparameters.

Примечание

Когда Learners установлен в значение кроме 'auto', значения по умолчанию для гиперпараметров модели, не будучи оптимизированным соответствие подходящие значения функции по умолчанию, если в противном случае не обозначено в примечаниях к таблице. Когда Learners установлен в 'auto', обе оптимизированных области значений поиска гиперпараметра и неоптимизированные гиперзначения параметров могут варьироваться, в зависимости от характеристик обучающих данных.

Пример: 'OptimizeHyperparameters','all'

Опции для оптимизации в виде разделенной запятой пары, состоящей из 'HyperparameterOptimizationOptions' и структура. Все поля в структуре являются дополнительными.

Имя поляЗначенияЗначение по умолчанию
MaxObjectiveEvaluationsМаксимальное количество оценок целевой функции30*L, где L количество учеников
MaxTime

Ограничение по времени в виде положительного вещественного числа. Ограничение по времени находится в секундах, как измерено tic и toc. Время выполнения может превысить MaxTime потому что MaxTime не делает оценок функции обработки прерываний.

Inf
ShowPlotsЛогическое значение, указывающее, показать ли графики. Если true, это поле строит лучшие наблюдаемые и предполагаемые значения целевой функции (до сих пор) против номера итерации.true
SaveIntermediateResultsЛогическое значение, указывающее, сохранить ли результаты. Если true, это поле перезаписывает переменную рабочей области под названием 'BayesoptResults' в каждой итерации. Переменной является BayesianOptimization объект.false
Verbose

Отображение в командной строке:

  • 0 — Никакое итеративное отображение

  • 1 Итеративное отображение

  • 2 — Итеративное отображение с дополнительной информацией о следующем вопросе, который будет оценен

1
UseParallelЛогическое значение, указывающее, запустить ли Байесовую оптимизацию параллельно, которая требует Parallel Computing Toolbox™. Из-за невоспроизводимости синхронизации параллели, параллельная Байесова оптимизация не обязательно приводит к восстанавливаемым результатам.false
Repartition

Логическое значение, указывающее, повторно разделить ли перекрестную проверку в каждой итерации. Если false, оптимизатор использует один раздел в оптимизации.

true обычно дает большинство устойчивых результатов, потому что эта установка принимает шум разделения во внимание. Однако для хороших результатов, true требует, по крайней мере, вдвое большего количества вычислений функции.

false
Задайте только одну из следующих трех опций.
CVPartitioncvpartition объект, созданный cvpartition'Kfold',5 если вы не задаете поля перекрестной проверки
HoldoutСкаляр в области значений (0,1) представление части затяжки
KfoldЦелое число, больше, чем 1

Пример: 'HyperparameterOptimizationOptions',struct('UseParallel',true)

Типы данных: struct

Опции классификации

свернуть все

Категориальные предикторы перечисляют в виде разделенной запятой пары, состоящей из 'CategoricalPredictors' и одно из значений в этой таблице.

ЗначениеОписание
Вектор положительных целых чиселКаждая запись в векторе является значением индекса, соответствующим столбцу данных о предикторе (X или Tbl) это содержит категориальную переменную.
Логический векторtrue запись означает что соответствующий столбец данных о предикторе (X или Tbl) категориальная переменная.
Символьная матрицаКаждая строка матрицы является именем переменного предиктора. Имена должны совпадать с записями в PredictorNames. Заполните имена дополнительными пробелами, таким образом, каждая строка символьной матрицы имеет ту же длину.
Массив строк или массив ячеек из символьных векторовКаждым элементом в массиве является имя переменного предиктора. Имена должны совпадать с записями в PredictorNames.
'all'Все предикторы являются категориальными.

По умолчанию, если данные о предикторе находятся в таблице (Tbl), fitcauto принимает, что переменная является категориальной, если это - логический вектор, категориальный вектор, символьный массив, массив строк или массив ячеек из символьных векторов. Однако ученики, которые используют деревья решений, принимают, что математически упорядоченные категориальные векторы являются непрерывными переменными. Если данные о предикторе являются матрицей (X), fitcauto принимает, что все предикторы непрерывны. Чтобы идентифицировать любые другие предикторы как категориальные предикторы, задайте их при помощи 'CategoricalPredictors' аргумент пары "имя-значение".

Для получения дополнительной информации о том, как подбор кривой функциям обрабатывает категориальные предикторы, видит Автоматическое Создание Фиктивных Переменных.

Пример: 'CategoricalPredictors','all'

Типы данных: single | double | logical | char | string | cell

Имена классов, чтобы использовать в обучении в виде разделенной запятой пары, состоящей из 'ClassNames' и категориальное, символ, или массив строк, логический или числовой вектор или массив ячеек из символьных векторов. ClassNames должен иметь совпадающий тип данных как Y.

Если ClassNames символьный массив, затем каждый элемент должен соответствовать одной строке массива.

Используйте 'ClassNames' к:

  • Закажите классы во время обучения.

  • Задайте порядок любой размерности аргумента ввода или вывода, которая соответствует порядку класса. Например, используйте 'ClassNames' задавать порядок размерностей Cost или порядок следования столбцов классификационных оценок, возвращенных predict.

  • Выберите подмножество классов для обучения. Например, предположите что набор всех отличных имен классов в Y {'a','b','c'}. Обучать модель с помощью наблюдений от классов 'a' и 'c' только, задайте 'ClassNames',{'a','c'}.

Значение по умолчанию для ClassNames набор всех отличных имен классов в Y.

Пример: 'ClassNames',{'b','g'}

Типы данных: categorical | char | string | logical | single | double | cell

Стоимость Misclassification в виде разделенной запятой пары, состоящей из 'Cost' и квадратная матрица или массив структур.

  • Если вы задаете квадратную матрицу Cost и истинным классом наблюдения является i, затем Cost(i,j) стоимость классификации точки в класс j. Таким образом, строки соответствуют истинным классам, и столбцы соответствуют предсказанным классам. Чтобы задать класс заказывают для соответствующих строк и столбцов Cost, также задайте ClassNames аргумент пары "имя-значение".

  • Если вы задаете структуру S, затем это должно иметь два поля:

    • S.ClassNames, который содержит имена классов как переменную совпадающего типа данных как Y

    • S.ClassificationCosts, который содержит матрицу стоимости со строками и столбцами, упорядоченными как в S.ClassNames

Значение по умолчанию для Cost ones(K) – eye(K), где K количество отличных классов.

Пример: 'Cost',[0 1; 2 0]

Типы данных: single | double | struct

Переменный предиктор называет в виде разделенной запятой пары, состоящей из 'PredictorNames' и массив строк уникальных имен или массив ячеек уникальных векторов символов. Функциональность 'PredictorNames' зависит от способа, которым вы снабжаете обучающими данными.

  • Если вы предоставляете X и Y, затем можно использовать 'PredictorNames' дать переменные предикторы в X имена.

    • Порядок имен в PredictorNames должен соответствовать порядку следования столбцов X. Таким образом, PredictorNames{1} имя X(:,1), PredictorNames{2} имя X(:,2), и так далее. Кроме того, size(X,2) и numel(PredictorNames) должно быть равным.

    • По умолчанию, PredictorNames {'x1','x2',...}.

  • Если вы предоставляете Tbl, затем можно использовать 'PredictorNames' выбрать который переменные предикторы использовать в обучении. Таким образом, fitcauto использование только переменные предикторы в PredictorNames и переменная отклика в обучении.

    • PredictorNames должно быть подмножество Tbl.Properties.VariableNames и не может включать имя переменной отклика.

    • По умолчанию, PredictorNames содержит имена всех переменных предикторов.

    • Хорошая практика должна задать предикторы для обучения с помощью любого 'PredictorNames' или formula только.

Пример: 'PredictorNames',{'SepalLength','SepalWidth','PetalLength','PetalWidth'}

Типы данных: string | cell

Априорные вероятности для каждого класса в виде разделенной запятой пары, состоящей из 'Prior' и значение в этой таблице.

ЗначениеОписание
'empirical'Априорные вероятности класса являются частотами родственника класса в Y.
'uniform'Все априорные вероятности класса равны 1/K, где K является количеством классов.
числовой векторКаждым элементом является априорная вероятность класса. Закажите элементы согласно Mdl.ClassNames или задайте порядок с помощью ClassNames аргумент пары "имя-значение". Программное обеспечение нормирует элементы, чтобы суммировать к 1.
структура

Структура S с двумя полями:

  • S.ClassNames содержит имена классов как переменную того же типа как Y.

  • S.ClassProbs содержит вектор соответствующих априорных вероятностей. Программное обеспечение нормирует элементы, чтобы суммировать к 1.

Пример: 'Prior',struct('ClassNames',{{'b','g'}},'ClassProbs',1:2)

Типы данных: single | double | char | string | struct

Имя переменной отклика в виде разделенной запятой пары, состоящей из 'ResponseName' и вектор символов или строковый скаляр.

  • Если вы предоставляете Y, затем можно использовать 'ResponseName' задавать имя для переменной отклика.

  • Если вы предоставляете ResponseVarName или formula, затем вы не можете использовать 'ResponseName'.

Пример: 'ResponseName','response'

Типы данных: char | string

Выиграйте преобразование в виде разделенной запятой пары, состоящей из 'ScoreTransform' и вектор символов, строковый скаляр или указатель на функцию.

Эта таблица суммирует доступные векторы символов и строковые скаляры.

ЗначениеОписание
'doublelogit'1/(1 + e –2x)
'invlogit'журнал (x / (1 – x))
'ismax'Устанавливает счет к классу с самым большим счетом к 1 и устанавливает музыку ко всем другим классам к 0
'logit'1/(1 + e x)
'none' или 'identity'x (никакое преобразование)
'sign'– 1 для x <0
0 для x = 0
1 для x> 0
'symmetric'2x – 1
'symmetricismax'Устанавливает счет к классу с самым большим счетом к 1 и устанавливает музыку ко всем другим классам к –1
'symmetriclogit'2/(1 + e x) – 1

Для функции MATLAB или функции вы задаете, используете ее указатель на функцию в счете, преобразовывают. Указатель на функцию должен принять матрицу (исходные баллы) и возвратить матрицу, одного размера (преобразованные баллы).

Пример: 'ScoreTransform','logit'

Типы данных: char | string | function_handle

Веса наблюдения в виде разделенной запятой пары, состоящей из 'Weights' и положительный числовой вектор или имя переменной в Tbl. Программное обеспечение взвешивает наблюдения в каждой строке X или Tbl с соответствующим значением в Weights. Длина Weights должен равняться количеству строк в X или Tbl.

Если вы задаете входные данные как таблицу Tbl, затем Weights может быть имя переменной в Tbl это содержит числовой вектор. В этом случае необходимо задать Weights как вектор символов или строковый скаляр. Например, если вектор весов W хранится как Tbl.W, затем задайте его как 'W'. В противном случае программное обеспечение обрабатывает все столбцы Tbl, включая W, как предикторы или переменная отклика, когда обучение модель.

По умолчанию, Weights ones(n,1), где n количество наблюдений в X или Tbl.

Программное обеспечение нормирует Weights суммировать к значению априорной вероятности в соответствующем классе.

Типы данных: single | double | char | string

Выходные аргументы

свернуть все

Обученная модель классификации, возвращенная как один из объектов модели классификации в этой таблице.

Имя ученикаВозвращенный объект модели
'discr'CompactClassificationDiscriminant
'ensemble'CompactClassificationEnsemble
'kernel'
'knn'ClassificationKNN
'linear'
'nb'CompactClassificationNaiveBayes
'svm'
'tree'CompactClassificationTree

Результаты оптимизации, возвращенные как BayesianOptimization объект. Для получения дополнительной информации о Байесовом процессе оптимизации смотрите Байесовую Оптимизацию.

Советы

  • В зависимости от размера ваших данных и количества учеников вы задаете, fitcauto может занять время, чтобы запуститься. Если у вас есть лицензия Parallel Computing Toolbox, можно ускорить расчеты путем выполнения оптимизации параллельно. Для этого задайте 'HyperparameterOptimizationOptions',struct('UseParallel',true). Можно включать другие поля в структуру, чтобы управлять другими аспектами оптимизации. Смотрите HyperparameterOptimizationOptions.

Алгоритмы

свернуть все

Автоматический выбор учеников

Когда вы задаете 'Learners','auto', fitcauto функция анализирует предиктор и данные об ответе для того, чтобы выбрать соответствующих учеников. Функция рассматривает, имеет ли набор данных какую-либо из этих характеристик:

  • Категориальные предикторы

  • Отсутствующие значения больше чем для 5% данных

  • Неустойчивые данные, где отношение количества наблюдений в самом большом классе к количеству наблюдений в самом маленьком классе больше 5

  • Больше чем 100 наблюдений в самом маленьком классе

  • Широкие данные, где количество предикторов больше или равно количеству наблюдений

  • Высоко-размерные данные, где количество предикторов больше 100

  • Большие данные, где количество наблюдений больше 50,000

  • Бинарная переменная отклика

  • Порядковая переменная отклика

Выбранные ученики всегда являются подмножеством перечисленных в Learners таблица. Однако связанные модели, которые попробовали во время процесса оптимизации, могут иметь различные значения по умолчанию для гиперпараметров, не будучи оптимизированным, а также различных поисковых областей значений для оптимизируемых гиперпараметров.

Байесова оптимизация

Цель Байесовой оптимизации и оптимизации в целом, состоит в том, чтобы найти точку, которая минимизирует целевую функцию. В контексте fitcauto, точка является типом ученика вместе с набором гиперзначений параметров для ученика (см. Learners и OptimizeHyperparameters), и целевая функция является ошибкой классификации перекрестных проверок по умолчанию. В случае fitcauto, Байесова оптимизация внутренне обеспечивает multi-TreeBagger модель целевой функции. Таким образом, разделения модели целевой функции вдоль типа ученика и, для данного ученика, моделью является TreeBagger ансамбль для регрессии. (Эта базовая модель отличается от Гауссовой модели процесса, используемой другими функциями Statistics and Machine Learning Toolbox™, которые используют Байесовую оптимизацию.) Байесова оптимизация обучает базовую модель при помощи оценок целевой функции и определяет следующий вопрос, чтобы оценить при помощи функции приобретения ('expected-improvement'). Для получения дополнительной информации смотрите Ожидаемое Улучшение. Функция приобретения балансируется между выборкой в точках с низкими смоделированными значениями целевой функции и исследованием областей, которые еще не хорошо моделируются. В конце оптимизации, fitcauto выбирает точку с минимальным значением модели целевой функции, среди вопросов, рассмотренных во время оптимизации. Для получения дополнительной информации смотрите 'Criterion','min-visited-mean' аргумент пары "имя-значение" bestPoint.

Альтернативная функциональность

  • Если вы не уверены, какие модели работают лучше всего на вас набор данных, можно альтернативно использовать приложение Classification Learner. Используя приложение, можно выполнить гиперпараметр, настраивающийся для различных моделей, и выбрать оптимизированную модель, которая выполняет лучше всего. Несмотря на то, что необходимо выбрать определенную модель, прежде чем можно будет настроить гиперпараметры модели, Classification Learner обеспечивает большую гибкость для выбора optimizable гиперпараметров и установки гиперзначений параметров. Однако вы не можете оптимизировать параллельно, выбрать 'linear' или 'kernel' ученики, задайте веса наблюдения или задайте априорные вероятности в приложении. Для получения дополнительной информации смотрите Гипероптимизацию параметров управления в Приложении Classification Learner.

  • Если вы знаете, какие модели могут удовлетворить вашим данным, можно альтернативно использовать соответствующие подходящие функции модели и задать 'OptimizeHyperparameters' аргумент пары "имя-значение", чтобы настроить гиперпараметры. Можно сравнить результаты через модели, чтобы выбрать лучший классификатор. Для примера этого процесса смотрите, что Двигающий Выбор Модели Автоматизации Использует Байесовую Оптимизацию.

Введенный в R2020a

Для просмотра документации необходимо авторизоваться на сайте