Прогнозирование целевой функции в наборе точек
В этом примере показано, как оценить потерю перекрестной проверки 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 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');
Создайте таблицу точек для оценки.
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 целевое и стандартное отклонение целевого значения 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