Exponenta Banner
exponenta event banner

резюме

Возобновление обучения учащихся складкам перекрестной проверки

развернуть все на странице

Синтаксис

ens1 = resume(ens,nlearn)
ens1 = resume(ens,nlearn,Name,Value)

Описание

ens1 = resume(ens,nlearn) поезда ens в каждой складке для nlearn больше циклов. resume использует одни и те же варианты обучения fitcensemble используется для создания ens, за исключением вариантов параллельного обучения. Если вы хотите возобновить обучение параллельно, передайте 'Options' пара имя-значение.

ens1 = resume(ens,nlearn,Name,Value) поезда ens с дополнительными опциями, указанными одним или несколькими Name,Value аргументы пары.

Входные аргументы

ens

Перекрестно проверенный классификационный ансамбль. ens является результатом либо:

  • fitcensemble с парой имя-значение перекрестной проверки. Имена: 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

  • crossval способ применяется к классификационному ансамблю.

nlearn

Положительное целое число, количество циклов для дополнительного обучения ens.

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.

'NPrint'

Частота печати, положительный целочисленный скаляр или 'off' (без распечаток). Когда NPrint положительное целое число, отображает сообщение в командной строке после обучения NPrint складки.

Совет

Для быстрого обучения некоторых повышенных деревьев принятия решений, набор NPrint до значения по умолчанию 'off'. Этот совет сохраняется при классификации Method является 'AdaBoostM1', 'AdaBoostM2', 'GentleBoost', или 'LogitBoost'или когда регрессия Method является 'LSBoost'.

По умолчанию: 'off'

'Options'

Опции для параллельных вычислений и задания случайных чисел, заданные как структура. Создать Options структура с statset.

Примечание

Параллельные вычисления Toolbox™ необходимы для параллельного вычисления.

Можно использовать одни и те же параллельные опции для resume как вы использовали для первоначального обучения. Однако при необходимости можно изменить параметры параллели. В этой таблице перечислены поля опций и их значения.

Имя поляСтоимостьДефолт
UseParallel

Задайте для этого значения значение true для параллельного вычисления. Обучение параллельному ансамблю требует установки 'Method' аргумент «имя-значение» для 'Bag'. Параллельное обучение доступно только для обучающихся по дереву, тип по умолчанию для 'Bag'.

false
UseSubstreams

Задайте для этого значения значение true выполнять вычисления параллельно воспроизводимым способом.

Для воспроизводимого вычисления установите Streams к типу, допускающему субпотоки: 'mlfg6331_64' или 'mrg32k3a'.

false
StreamsУкажите это значение как RandStream объект или массив ячеек таких объектов. Использовать один объект, за исключением случаев, когда UseParallel значение равно true и UseSubstreams значение равно false. В этом случае используйте массив ячеек, размер которого совпадает с размером параллельного пула.Если не указать Streams, то resume использует поток или потоки по умолчанию.

Для двухъядерных систем и выше, resume параллелизирует обучение с использованием стандартных блоков Intel ® Threading Building Blocks (TBB). Поэтому указание UseParallel вариант как true может не обеспечить значительное ускорение на одном компьютере. Подробные сведения о TBB Intel см. в разделе https://software.intel.com/en-us/intel-tbb.

Пример: 'Options',statset('UseParallel',true)

Выходные аргументы

ens1

Перекрестно проверенный классификационный ансамбль ens, дополненный дополнительными тренировками.

Примеры

развернуть все

Открыть сценарий в реальном времени

Обучайте секционированный классификационный ансамбль в течение 10 циклов и сравнивайте потери классификации, полученные после обучения ансамбля в течение большего количества циклов.

Загрузить ionosphere набор данных.

load ionosphere

Обучите секционированный классификационный ансамбль в течение 10 циклов и проверьте ошибку.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
cvens = fitcensemble(X,Y,'Method','GentleBoost','NumLearningCycles',10,'Learners',t,'crossval','on');
rng(10,'twister') % For reproducibility
L = kfoldLoss(cvens)
L = 0.0940

Потренироваться еще на 10 циклов и изучить новую ошибку.

cvens = resume(cvens,10);
L = kfoldLoss(cvens)
L = 0.0712

Ошибка перекрестной проверки ниже в ансамбле после обучения в течение еще 10 циклов.

Расширенные возможности

См. также

| | | |

Документация по инструментам для статистического и машинного обучения

Поддержка