График прогресса обеспечивает живую обратную связь о состоянии оценки параметра при использовании sbiofit, sbiofitmixedили программа Fit Data в приложении SimBiology Model Analyzer. Когда вы включите эту функцию, откроется новый рисунок и покажет подходящие измерения качества, такие как логарифмическая правдоподобность и предполагаемые значения параметров для каждой итерации функции. График контролирует прогресс, выполняете ли вы подгонку на локальной машине или параллельно с помощью удаленных кластеров.
Когда вы оцениваете параметры, можно задать, какой метод оценки использовать во время подбора кривой. График прогресса показан для всех методов оценки, кроме nlinfit (Statistics and Machine Learning Toolbox). Однако график прогресса отличается в зависимости от того, используете ли вы нелинейный метод смешанных эффектов (nlmefit или nlmefitsa) или нелинейный метод регрессии, такой как lsqnonlin.
Рисунок графика прогресса содержит ряд подграфиков. В частности, подграфикы показывают значения параметров с фиксированным эффектом (theta), оценки параметров дисперсии, то есть диагональные элементы ковариационной матрицы случайных эффектов (
Вот несколько советов по интерпретации графиков.
Функция аппроксимации пытается максимизировать логарифмическую правдоподобность. Когда график начинает отображать плоскую линию, это может указать, что максимизация завершена. Попробуйте задать максимальное количество итераций, чтобы уменьшить количество итераций, в которых вы нуждаетесь, и улучшить эффективность.
Графики для фиксированных эффектов (thetas), и параметры отклонения (И) должны показать сходимость. Если вы видите колебания или переходы, не сопровождающиеся улучшениями логарифмической правдоподобности, модель может быть сверхпараметрирована. Попробуйте следующее:
Уменьшите количество фиксированных эффектов.
Уменьшите количество случайных эффектов.
Упростите ковариационный матричный шаблон случайных эффектов (если вы ранее изменили его с диагональной матрицы по умолчанию).
Рисунок графика прогресса показывает ряд подграфиков, и существует две категории графиков: графики измерения качества и предполагаемые параметрические графики. Для объединенной подгонки, то есть оценки одного набора значений параметров для всех групп (или индивидуумов), существует только одна строка для каждого графика, и линия затухает, когда подгонка закончена. Для неохлажденной подгонки, то есть оценки одного набора значений параметров для каждой группы (или индивидуума), каждая линия представляет собой одну индивидуальную или группу. Можно выбрать одну или несколько линий, щелкнув и перетащив курсор мыши, чтобы создать прямоугольник на любом графике. Все линии, пересекающие прямоугольник, выбираются и подсвечиваются на всех графиках.
Вы можете отключить подбор кривой в любое время, выбрав Stop, и частичные результаты будут возвращены. В частности, для объединенной подгонки возвращается результат до последней итерации функции. Для неохваченной подгонки возвращаются результаты для всех групп, завершивших выполнение. Текущие группы прерываются, а частичные результаты последней итерации также возвращаются.
Графики измерения качества включают логарифмическую правдоподобность, оптимальность первого порядка и графики условий прекращения. Они занимают первую строку рисунка.
Логарифмическая правдоподобность. Метод оценки пытается максимизировать логарифмическую правдоподобность, и график показывает значение логарифмической правдоподобности для каждой итерации функции. Когда график начинает отображать плоскую линию, он часто указывает, что максимизация завершена. Попробуйте задать максимальное количество итераций, чтобы уменьшить количество итераций, в которых вы нуждаетесь, и улучшить эффективность.
Для объединенной подгонки на графике есть только одна строка, и линия затухает, когда подгонка заканчивается. График логарифмической правдоподобности показов, сходится ли подгонка или отказывает вместе с информацией об условии завершения метода оценки. Следующая фигура является примером логарифмической правдоподобности графика объединенной подгонки.
Оптимальность первого порядка. Оптимальность первого порядка является мерой того, насколько близка точка x к оптимальной, и график показан, когда вы используете методы Optimization Toolbox™ (lsqnonlin, lsqcurvefit, fminunc, и fmincon). Мера оптимальности первого порядка должна быть нулем как минимум, но точка с оптимальностью первого порядка, равной нулю, не обязательно является минимумом. Для получения дополнительной информации смотрите Оптимальность первого порядка (Optimization Toolbox).
Условие расторжения. Для объединенной подгонки условие завершения отображается вместе с графиком логарифмической правдоподобности. Для получения дополнительной информации об условии расторжения обратитесь к exitflag описание выходного аргумента соответствующего метода оценки. Предположим, что вы используете lsqnonlin (Optimization Toolbox) метод и см. сообщение: The fit converged with criterion Residual. Проверяя exitflag условий lsqnonlin (Optimization Toolbox) с ключевым словом Residual, это условие завершения соответствует exitflag значение 3, то есть изменение невязки было меньше заданного допуска.
Для неохлажденной подгонки Termination Conditions график содержит сводные данные (гистограмму) критериев завершения для всех групп (или индивидуумы), как показано на следующем рисунке. Ось y представляет общее количество подгонок для каждого условия завершения, а ось x отображает все критерии завершения.
Гибридные функции. Если вы выполняете гибридную оптимизацию, сначала запустив глобальный решатель, такой как ga (Global Optimization Toolbox) или particleswarm (Global Optimization Toolbox), далее следует гибридная функция, ProgressPlot Также показаны графики измерения качества для гибридной функции во второй строке. Следующий рисунок является примером, где глобальный алгоритм оптимизации ga (Global Optimization Toolbox) и гибридная функция fminunc (Optimization Toolbox). Для иллюстрированного примера смотрите Оценку параметра с гибридными решателями.
Этот график отображает значение предполагаемого параметра от итерации для каждой группы. Для каждого параметра отображается один расчетный график параметра. Графики начинаются со второй строки рисунка и могут охватывать несколько строк. На каждом графике отображается горизонтальная штриховая линия для любой нижней или верхней границы, заданной для предполагаемого параметра. Ограниченные линии показывают, только если область значений графика может включать линии.
Для неохлажденной подгонки на графике прогресса также отображается гистограмма, которая показывает распределение значений параметров для завершенных запусков. Используйте переключатель над осью y для каждого графика, чтобы переключаться между логарифмической и линейной шкалами. Следующий рисунок показывает пример предполагаемого графика параметра с связанной информацией и распределением оценочных значений.
Если у вас есть иерархическая модель и вы оцениваете параметры для каждой категории, такие как оценка параметров для мужчин и женщин, график прогресса отображает один график на предполагаемый параметр для каждой категории. Для примера на следующей диаграмме Central и Peripheral параметры оцениваются для возрастных категорий, в то время как Q12 и Cl_Central оцениваются для половых категорий.
Для неохлаждаемой подгонки, выполняемой параллельно, на графике прогресса отображается строка состояния в правом нижнем углу. На панели показана информация об оставшемся и завершенном количестве индивидуумов (или групп) на всем протяжении подгонки.
sbiofit | sbiofitmixed | sbiofitstatusplot