Exponenta Banner

bestPoint

Лучшая точка в байесовской оптимизации согласно критерию

Свернуть все на странице

Синтаксис

x = bestPoint(results)
x = bestPoint(results,Name,Value)
[x,CriterionValue] = bestPoint(___)
[x,CriterionValue,iteration] = bestPoint(___)

Описание

пример

x = bestPoint(results) возвращает лучшую допустимую точку в байесовской модели results согласно критерию по умолчанию 'min-visited-upper-confidence-interval'.

пример

x = bestPoint(results,Name,Value) изменяет лучшую точку с помощью пар "имя-значение".

пример

[x,CriterionValue] = bestPoint(___), для любого предыдущего синтаксиса, также возвращает значение критерия в x.

пример

[x,CriterionValue,iteration] = bestPoint(___) также возвращает номер итерации, при котором была возвращена лучшая точка. Применяется, когда Criterion Пара "имя-значение" 'min-observed', 'min-visited-mean', или значение по умолчанию 'min-visited-upper-confidence-interval'.

Примеры

свернуть все

Открыть Live Script

Этот пример показывает, как получить лучшую точку оптимизированного классификатора.

Оптимизируйте классификатор KNN для ionosphere данные, что означает параметры поиска, которые минимизируют потери перекрестной валидации. Минимизируйте по ближайшему соседству размеры от 1 до 30, и на расстоянии функций 'chebychev', 'euclidean', и 'minkowski'.

Для воспроизводимости установите случайный seed и установите AcquisitionFunctionName опция для 'expected-improvement-plus'.

load ionosphere
rng(11)
num = optimizableVariable('n',[1,30],'Type','integer');
dst = optimizableVariable('dst',{'chebychev','euclidean','minkowski'},'Type','categorical');
c = cvpartition(351,'Kfold',5);
fun = @(x)kfoldLoss(fitcknn(X,Y,'CVPartition',c,'NumNeighbors',x.n,...
    'Distance',char(x.dst),'NSMethod','exhaustive'));
results = bayesopt(fun,[num,dst],'Verbose',0,...
    'AcquisitionFunctionName','expected-improvement-plus');

Figure contains an axes. The axes with title Objective function model contains 5 objects of type line, surface, contour. These objects represent Observed points, Model mean, Next point, Model minimum feasible.

Figure contains an axes. The axes with title Min objective vs. Number of function evaluations contains 2 objects of type line. These objects represent Min observed objective, Estimated min objective.

Получите лучшую точку согласно 'min-visited-upper-confidence-interval' по умолчанию критерий.

x = bestPoint(results)
x=1×2 table
    n       dst   
    _    _________

    1    chebychev

Самая низкая предполагаемая потеря перекрестной проверки происходит для одного ближайшего соседа и 'chebychev' расстояние.

Тщательное изучение графика модели целевой функции показывает точку с двумя ближайшими соседями и 'chebychev' расстояние, которое имеет более низкое значение целевой функции. Найдите эту точку по другому критерию.

x = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    2    chebychev

Также найдите минимальное наблюдаемое значение целевой функции и число итерации, при котором оно наблюдалось.

[x,CriterionValue,iteration] = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    2    chebychev


CriterionValue = 0.1054

iteration = 21

Входные параметры

свернуть все

Байесовские результаты оптимизации, заданная как BayesianOptimization объект.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: x = bestPoint(results,'Criterion','min-observed')

Лучший критерий точки, заданный как разделенная разделенными запятой парами, состоящая из 'Criterion' и имя критерия. Имена нечувствительны к регистру, не требуют - символов и требуется только достаточно символов, чтобы сделать имя уникально различимым.

Имя критерияЗначение
'min-observed'x - допустимая точка с минимальной наблюдаемой целью.
'min-mean'x является допустимой точкой, где среднее значение целевой модели сведено к минимуму.
'min-upper-confidence-interval'x - допустимая точка минимизации верхнего доверительного интервала целевой модели. См. alpha.
'min-visited-mean'x - допустимая точка, где среднее значение целевой модели минимизируется среди посещаемых точек.
'min-visited-upper-confidence-interval'x - допустимая точка минимизации верхнего доверительного интервала целевой модели среди посещаемых точек. См. alpha.

Пример: 'Criterion','min-visited-mean'

Вероятность того, что смоделированное целевое среднее превышает CriterionValue, заданная как разделенная разделенными запятой парами, состоящая из 'alpha' и скаляром между 0 и 1. alpha относится к 'min-upper-confidence-interval' и 'min-visited-upper-confidence-interval' Criterion значения. Определение верхнего доверительного интервала является значением Y где

P (среднее Q (fun(x))> Y) = alpha,

где fun является целевой функцией, и среднее значение вычисляется относительно апостериорной Q распределения.

Пример: 'alpha',0.05

Типы данных: double

Выходные аргументы

свернуть все

Лучшая точка, возвращенная как 1-by- D таблица, где D - количество переменных. Смысл «лучший» в отношении Criterion.

Значение критерия, возвращаемое как действительный скаляр. Значение зависит от настройки Criterion Пара "имя-значение", которое имеет значение по умолчанию 'min-visited-upper-confidence-interval'.

Имя критерияЗначение
'min-observed'Минимальная наблюдаемая цель.
'min-mean'Минимум среднего модели.
'min-upper-confidence-interval'Значения Y удовлетворяющее уравнению P (среднее Q (fun(x)) > Y) = alpha.
'min-visited-mean'Минимум наблюдаемого среднего модели.
'min-visited-upper-confidence-interval'Значения Y удовлетворяющее уравнению P (среднее Q (fun(x)) > Y) = alpha среди наблюдаемых точек.

Число итерации, при котором наблюдалась лучшая точка, возвращается как положительное целое число. Лучшая точка определяется CriterionValue.

См. также

|

Введенный в R2016b

Statistics and Machine Learning Toolbox документация

Поддержка