Прогнозирование времени выполнения целевой функции в наборе точек
В этом примере показано, как оценить время оценки целевой функции в оптимизированной байесовской модели классификации SVM.
Создайте оптимизированную модель SVM. Дополнительные сведения об этой модели см. в разделе Оптимизация кросс-проверенного классификатора SVM с помощью байесопта.
rng default grnpop = mvnrnd([1,0],eye(2),10); redpop = mvnrnd([0,1],eye(2),10); redpts = zeros(100,2); grnpts = redpts; for i = 1:100 grnpts(i,:) = mvnrnd(grnpop(randi(10),:),eye(2)*0.02); redpts(i,:) = mvnrnd(redpop(randi(10),:),eye(2)*0.02); end cdata = [grnpts;redpts]; grp = ones(200,1); grp(101:200) = -1; c = cvpartition(200,'KFold',10); sigma = optimizableVariable('sigma',[1e-5,1e5],'Transform','log'); box = optimizableVariable('box',[1e-5,1e5],'Transform','log'); minfn = @(z)kfoldLoss(fitcsvm(cdata,grp,'CVPartition',c,... 'KernelFunction','rbf','BoxConstraint',z.box,... 'KernelScale',z.sigma)); results = bayesopt(minfn,[sigma,box],'IsObjectiveDeterministic',true,... 'AcquisitionFunctionName','expected-improvement-plus','Verbose',0);
Прогнозирование времени оценки для различных точек.
sigma = logspace(-5,5,11)'; box = 1e5*ones(size(sigma)); XTable = table(sigma,box); time = predictObjectiveEvaluationTime(results,XTable); [XTable,table(time)]
ans=11×3 table
sigma box time
______ _____ _______
1e-05 1e+05 0.21025
0.0001 1e+05 0.23237
0.001 1e+05 0.2069
0.01 1e+05 0.16811
0.1 1e+05 0.15477
1 1e+05 0.35188
10 1e+05 1.6861
100 1e+05 0.62807
1000 1e+05 0.14266
10000 1e+05 0.12537
1e+05 1e+05 0.1276