predictObjective

Предскажите целевую функцию при наборе точек

Описание

пример

objective = predictObjective(results,XTable) возвращает предполагаемое значение целевой функции в точках в XTable.

пример

[objective,sigma] = predictObjective(results,XTable) также возвращает оцененные стандартные отклонения.

Примеры

свернуть все

В этом примере показано, как оценить потерю перекрестной проверки оптимизированного классификатора.

Оптимизируйте классификатор KNN для ionosphere данные, значение находит параметры, которые минимизируют потерю перекрестной проверки. Минимизируйте свыше размеров самого близкого окружения от 1 до 30, и по функциям расстояния 'chebychev', 'euclidean', и 'minkowski'.

Для воспроизводимости установите случайный seed и установите AcquisitionFunctionName опция к 'expected-improvement-plus'.

load ionosphere
rng default
num = optimizableVariable('n',[1,30],'Type','integer');
dst = optimizableVariable('dst',{'chebychev','euclidean','minkowski'},'Type','categorical');
c = cvpartition(351,'Kfold',5);
fun = @(x)kfoldLoss(fitcknn(X,Y,'CVPartition',c,'NumNeighbors',x.n,...
    'Distance',char(x.dst),'NSMethod','exhaustive'));
results = bayesopt(fun,[num,dst],'Verbose',0,...
    'AcquisitionFunctionName','expected-improvement-plus');

Figure contains an axes. The axes with title Objective function model contains 5 objects of type line, surface, contour. These objects represent Observed points, Model mean, Next point, Model minimum feasible.

Figure contains an axes. The axes with title Min objective vs. Number of function evaluations contains 2 objects of type line. These objects represent Min observed objective, Estimated min objective.

Составьте таблицу точек, чтобы оценить.

b = categorical({'chebychev','euclidean','minkowski'});
n = [1;1;1;4;2;2];
dst = [b(1);b(2);b(3);b(1);b(1);b(3)];
XTable = table(n,dst);

Оцените объективное и стандартное отклонение цели в этих точках.

[objective,sigma] = predictObjective(results,XTable);
[XTable,table(objective,sigma)]
ans=6×4 table
    n       dst       objective      sigma  
    _    _________    _________    _________

    1    chebychev     0.12132     0.0068029
    1    euclidean     0.14052     0.0079128
    1    minkowski     0.14057     0.0079117
    4    chebychev      0.1227     0.0068805
    2    chebychev     0.12176     0.0066739
    2    minkowski      0.1437     0.0075448

Входные параметры

свернуть все

Байесовы результаты оптимизации в виде BayesianOptimization объект.

Предсказание указывает в виде таблицы со столбцами D, где D является количеством переменных в проблеме. Функция выполняет свои предсказания на этих точках.

Типы данных: table

Выходные аргументы

свернуть все

Объективные оценки, возвращенные как N- 1 вектор, где N количество строк XTable. Оценки являются средними значениями апостериорного распределения Гауссовой модели процесса целевой функции.

Стандартные отклонения целевой функции, возвращенной как N- 1 вектор, где N количество строк XTable. Стандартные отклонения являются теми из апостериорного распределения Гауссовой модели процесса целевой функции.

Смотрите также

|

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте