Exponenta Banner
exponenta event banner

bestPoint

Наилучшая точка байесовской оптимизации по критерию

свернуть все на странице

Синтаксис

x = bestPoint (результаты)
x = bestPoint (результаты, имя, значение)
[x, CriterionValue] = bestPoint (___)
[x, CriterionValue, повторение] = bestPoint (___)

Описание

пример

x = bestPoint(results) возвращает наилучшую осуществимую точку в байесовской модели results согласно критерию по умолчанию 'min-visited-upper-confidence-interval'.

пример

x = bestPoint(results,Name,Value) изменяет лучшую точку, используя пары имя-значение.

пример

[x,CriterionValue] = bestPoint(___), для любого предыдущего синтаксиса, также возвращает значение критерия в x.

пример

[x,CriterionValue,iteration] = bestPoint(___) также возвращает номер итерации, в котором была возвращена лучшая точка. Применяется, когда Criterion пара имя-значение 'min-observed', 'min-visited-mean'или значение по умолчанию 'min-visited-upper-confidence-interval'.

Примеры

свернуть все

Открыть сценарий в реальном времени

В этом примере показано, как получить наилучшую точку оптимизированного классификатора.

Оптимизация классификатора KNN для ionosphere данные, что означает поиск параметров, которые минимизируют потерю перекрестной проверки. Минимизация размеров ближайшего района от 1 до 30 и функций расстояния 'chebychev', 'euclidean', и 'minkowski'.

Для воспроизводимости задайте случайное начальное число и задайте значение AcquisitionFunctionName опция для 'expected-improvement-plus'.

load ionosphere
rng(11)
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.

Получить наилучшую точку в соответствии со значением по умолчанию 'min-visited-upper-confidence-interval' критерий.

x = bestPoint(results)
x=1×2 table
    n       dst   
    _    _________

    1    chebychev

Наименьшая оцененная потеря перекрестной проверки возникает для одного ближайшего соседа и 'chebychev' расстояние.

Тщательный анализ графика модели целевой функции показывает точку с двумя ближайшими соседями и 'chebychev' расстояние, имеющее меньшее значение целевой функции. Найдите этот пункт, используя другой критерий.

x = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    2    chebychev

Также найдите минимальное наблюдаемое значение целевой функции и номер итерации, при котором она наблюдалась.

[x,CriterionValue,iteration] = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    2    chebychev


CriterionValue = 0.1054

iteration = 21

Входные аргументы

свернуть все

Результаты байесовской оптимизации, указанные как BayesianOptimization объект.

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: x = bestPoint(results,'Criterion','min-observed')

Критерий наилучшей точки, указанный как разделенная запятыми пара, состоящая из 'Criterion' и имя критерия. Имена не учитывают регистр, не требуют - и требуют только достаточно символов, чтобы имя было однозначно различимым.

Имя критерияЗначение
'min-observed'x является возможной точкой с минимальной наблюдаемой целью.
'min-mean'x является возможной точкой, где среднее значение целевой модели минимизировано.
'min-upper-confidence-interval'x является возможной точкой, сводящей к минимуму верхний доверительный интервал целевой модели. Посмотрите alpha.
'min-visited-mean'x является возможной точкой, где среднее значение целевой модели минимизировано среди посещаемых точек.
'min-visited-upper-confidence-interval'x является возможной точкой, сводящей к минимуму верхний доверительный интервал целевой модели среди посещаемых точек. Посмотрите alpha.

Пример: 'Criterion','min-visited-mean'

Вероятность того, что смоделированное целевое среднее превышает CriterionValue, указанная как пара, разделенная запятыми, состоящая из 'alpha' и скаляр между 0 и 1. alpha относится к 'min-upper-confidence-interval' и 'min-visited-upper-confidence-interval' Criterion значения. Определение верхнего доверительного интервала - это значение Y где

P (означает Q (fun(x)) > Y) = alpha,

где fun является целевой функцией, и среднее вычисляется по отношению к заднему распределению Q.

Пример: 'alpha',0.05

Типы данных: double

Выходные аргументы

свернуть все

Лучшая точка, возвращенная как 1около-D таблица, где D - количество переменных. Значение слова «лучший» относится к Criterion.

Значение критерия, возвращаемое как действительный скаляр. Значение зависит от настройки Criterion пара имя-значение, которая имеет значение по умолчанию 'min-visited-upper-confidence-interval'.

Имя критерияЗначение
'min-observed'Минимальная наблюдаемая цель.
'min-mean'Минимум среднего значения модели.
'min-upper-confidence-interval'Стоимость Y удовлетворяя уравнению P (означает Q (fun(x)) > Y) = alpha.
'min-visited-mean'Минимум наблюдаемого среднего значения модели.
'min-visited-upper-confidence-interval'Стоимость Y удовлетворяя уравнению P (означает Q (fun(x)) > Y) = alpha среди наблюдаемых точек.

Число итераций, в котором наблюдалась лучшая точка, возвращалось как положительное целое число. Наилучшая точка определяется CriterionValue.

См. также

|

Представлен в R2016b

Документация по инструментам для статистического и машинного обучения

Поддержка