Exponenta Banner
exponenta event banner

гиперпараметры

Описания переменных для оптимизации функции аппроксимации

свернуть все на странице

Синтаксис

VariiveDescriptions = гиперпараметры (FitFcnName, предикторы, отклик)
VarityDescriptions = гиперпараметры (FitFcnName, предикторы, отклик, LearnerType)

Описание

пример

VariableDescriptions = hyperparameters(FitFcnName,predictors,response) возвращает переменные по умолчанию для данной функции аппроксимации. Это переменные, которые применяются при установке OptimizeHyperparameters пара имя-значение к 'auto'.

пример

VariableDescriptions = hyperparameters(FitFcnName,predictors,response,LearnerType) возвращает переменные для подбора ансамбля с указанным типом учащегося. Этот синтаксис применяется, когда FitFcnName является 'fitcecoc', 'fitcensemble', или 'fitrensemble'.

Примеры

свернуть все

Открыть сценарий в реальном времени

Получение гиперпараметров по умолчанию для fitcsvm классификатор.

Загрузить ionosphere данные.

load ionosphere

Получите гиперпараметры.

VariableDescriptions = hyperparameters('fitcsvm',X,Y);

Проверьте все гиперпараметры.

for ii = 1:length(VariableDescriptions)
    disp(ii),disp(VariableDescriptions(ii))
end
     1

  optimizableVariable with properties:

         Name: 'BoxConstraint'
        Range: [1.0000e-03 1000]
         Type: 'real'
    Transform: 'log'
     Optimize: 1

     2

  optimizableVariable with properties:

         Name: 'KernelScale'
        Range: [1.0000e-03 1000]
         Type: 'real'
    Transform: 'log'
     Optimize: 1

     3

  optimizableVariable with properties:

         Name: 'KernelFunction'
        Range: {'gaussian'  'linear'  'polynomial'}
         Type: 'categorical'
    Transform: 'none'
     Optimize: 0

     4

  optimizableVariable with properties:

         Name: 'PolynomialOrder'
        Range: [2 4]
         Type: 'integer'
    Transform: 'none'
     Optimize: 0

     5

  optimizableVariable with properties:

         Name: 'Standardize'
        Range: {'true'  'false'}
         Type: 'categorical'
    Transform: 'none'
     Optimize: 0

Изменить PolynomialOrder гиперпараметр должен иметь более широкий диапазон и использоваться в оптимизации.

VariableDescriptions(4).Range = [2,5];
VariableDescriptions(4).Optimize = true;
disp(VariableDescriptions(4))
  optimizableVariable with properties:

         Name: 'PolynomialOrder'
        Range: [2 5]
         Type: 'integer'
    Transform: 'none'
     Optimize: 1
Открыть сценарий в реальном времени

Получение гиперпараметров по умолчанию для fitrensemble функция регрессии ансамбля.

Загрузить carsmall данные.

load carsmall

Использовать Horsepower и Weight в качестве переменных предиктора и MPG в качестве переменной ответа.

X = [Horsepower Weight];
Y = MPG;

Получение гиперпараметров по умолчанию для Tree ученик.

VariableDescriptions = hyperparameters('fitrensemble',X,Y,'Tree');

Проверьте все гиперпараметры.

for ii = 1:length(VariableDescriptions)
    disp(ii),disp(VariableDescriptions(ii))
end
     1

  optimizableVariable with properties:

         Name: 'Method'
        Range: {'Bag'  'LSBoost'}
         Type: 'categorical'
    Transform: 'none'
     Optimize: 1

     2

  optimizableVariable with properties:

         Name: 'NumLearningCycles'
        Range: [10 500]
         Type: 'integer'
    Transform: 'log'
     Optimize: 1

     3

  optimizableVariable with properties:

         Name: 'LearnRate'
        Range: [1.0000e-03 1]
         Type: 'real'
    Transform: 'log'
     Optimize: 1

     4

  optimizableVariable with properties:

         Name: 'MinLeafSize'
        Range: [1 50]
         Type: 'integer'
    Transform: 'log'
     Optimize: 1

     5

  optimizableVariable with properties:

         Name: 'MaxNumSplits'
        Range: [1 99]
         Type: 'integer'
    Transform: 'log'
     Optimize: 0

     6

  optimizableVariable with properties:

         Name: 'NumVariablesToSample'
        Range: [1 2]
         Type: 'integer'
    Transform: 'none'
     Optimize: 0

Изменить MaxNumSplits гиперпараметр должен иметь более широкий диапазон и использоваться в оптимизации.

VariableDescriptions(5).Range = [1,200];
VariableDescriptions(5).Optimize = true;
disp(VariableDescriptions(5))
  optimizableVariable with properties:

         Name: 'MaxNumSplits'
        Range: [1 200]
         Type: 'integer'
    Transform: 'log'
     Optimize: 1

Входные аргументы

свернуть все

Имя аппроксимирующей функции, указанное как одно из перечисленных имен классификационной или регрессионной аппроксимирующей функции.

Если FitFcnName является 'fitcecoc', 'fitcensemble', или 'fitrensemble', затем также укажите тип учащегося в LearnerType аргумент.

Пример: 'fitctree'

Данные предиктора, определенные как матрица с D столбцами предиктора или как таблица с D столбцами предиктора, где D - количество предикторов.

Пример: X

Типы данных: double | logical | char | string | table | cell | categorical | datetime

Метки классов или числовой ответ, заданные как группирующая переменная (см. раздел Группирование переменных) или как скаляр.

Пример: Y

Типы данных: single | double | logical | char | string | cell

Тип обучающегося для подбора ансамбля, указанный как 'Discriminant', 'Kernel', 'KNN', 'Linear', 'SVM', 'Tree'или шаблон учащегося из списка. Использовать этот аргумент при FitFcnName является 'fitcecoc', 'fitcensemble', или 'fitrensemble'.

Для 'fitcensemble' можно использовать только 'Discriminant', 'KNN', 'Tree'или связанный шаблон.

Для 'fitrensemble', можно использовать только 'Tree' или templateTree.

Пример: 'Tree'

Выходные аргументы

свернуть все

Описания переменных, возвращаемые как вектор optimizableVariable объекты. Для переменных установлены параметры по умолчанию, такие как диапазон и тип переменной. Все приемлемые переменные существуют в описаниях, но переменные не используются в 'auto' настройки имеют свои Optimize свойство имеет значение false. Можно обновить переменные с помощью точечной нотации, как показано в разделе Примеры.

См. также

| | | | | | | | | | | | | |

Представлен в R2016b

Документация по инструментам для статистического и машинного обучения

Поддержка