predictObjective
Предскажите целевую функцию при наборе точек
Синтаксис
Описание
Примеры
Предскажите потерю перекрестной проверки оптимизированного классификатора
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');
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
Выходные аргументы
Смотрите также
Введенный в R2017b