Exponenta Banner
exponenta event banner

SparseFiltering

Извлечение элементов с помощью разреженной фильтрации

развернуть все на странице

Описание

SparseFiltering использует разреженную фильтрацию, чтобы узнать преобразование, которое сопоставляет входные предикторы с новыми предикторами.

Создание

Создать SparseFiltering с использованием sparsefilt функция.

Свойства

развернуть все

Это свойство доступно только для чтения.

История подгонки, возвращенная как структура с двумя полями:

  • Iteration - числа итераций от 0 до конечной итерации.

  • Objective - значение целевой функции на каждой соответствующей итерации. Итерация 0 соответствует начальным значениям перед любым фитингом.

Типы данных: struct

Это свойство доступно только для чтения.

Начальные веса преобразования элемента, возвращаемые как pоколо-q матрица, где p - количество предикторов, переданных в X и q - количество необходимых элементов. Эти веса являются начальными весами, передаваемыми функции создания. Тип данных является единичным, если данные обучения X одинарный.

Типы данных: single | double

Это свойство доступно только для чтения.

Параметры, используемые для обучения модели, возвращаемые в виде структуры. Структура содержит подмножество полей, которое соответствует sparsefilt пары «имя-значение», которые действовали во время создания модели:

  • IterationLimit

  • VerbosityLevel

  • Lambda

  • Standardize

  • GradientTolerance

  • StepTolerance

Для получения более подробной информации см. sparsefilt пары «имя-значение» в документации.

Типы данных: struct

Это свойство доступно только для чтения.

Предиктор означает при стандартизации, возвращаемый как pоколо-1 вектор. Это свойство не является пустым, если Standardize пара имя-значение true при создании модели. Значение является вектором предикторных средств в тренировочных данных. Тип данных является единичным, если данные обучения X одинарный.

Типы данных: single | double

Это свойство доступно только для чтения.

Количество элементов вывода, возвращаемое как положительное целое число. Это значение равно q переданный функции создания аргумент, представляющий собой требуемое количество изучаемых функций.

Типы данных: double

Это свойство доступно только для чтения.

Число входных предикторов, возвращаемых как положительное целое число. Это значение - количество предикторов, переданных в X к функции создания.

Типы данных: double

Это свойство доступно только для чтения.

Предикторные стандартные отклонения при стандартизации, возвращаемые как pоколо-1 вектор. Это свойство не является пустым, если Standardize пара имя-значение true при создании модели. Значение является вектором стандартных отклонений предиктора в тренировочных данных. Тип данных является единичным, если данные обучения X одинарный.

Типы данных: single | double

Это свойство доступно только для чтения.

Веса преобразования элемента, возвращенные как pоколо-q матрица, где p - количество предикторов, переданных в X и q - количество необходимых элементов. Тип данных является единичным, если данные обучения X одинарный.

Типы данных: single | double

Функции объекта

transformПреобразование предикторов в извлеченные функции

Примеры

свернуть все

Открыть сценарий в реальном времени

Создать SparseFiltering с помощью sparsefilt функция.

Загрузить SampleImagePatches исправления изображений.

data = load('SampleImagePatches');
size(data.X)
ans = 1×2

        5000         363

Существует 5000 исправлений изображений, каждый из которых содержит 363 элемента.

Извлеките из данных 100 элементов.

rng default % For reproducibility
Q = 100;
obj = sparsefilt(data.X,Q,'IterationLimit',100)
Warning: Solver LBFGS was not able to converge to a solution.

obj = 
  SparseFiltering
            ModelParameters: [1x1 struct]
              NumPredictors: 363
         NumLearnedFeatures: 100
                         Mu: []
                      Sigma: []
                    FitInfo: [1x1 struct]
           TransformWeights: [363x100 double]
    InitialTransformWeights: []


  Properties, Methods

sparsefilt выдает предупреждение, поскольку оно остановлено из-за достижения предела итерации вместо достижения предела размера шага или предела размера градиента. Вы по-прежнему можете использовать изученные функции в возвращенном объекте, вызвав transform функция.

См. также

| | |

Темы

Представлен в R2017a

Документация по инструментам для статистического и машинного обучения

Поддержка