Предсказание связанных нарушений ограничений в наборе точек
ConstraintViolations = predictConstraints(results,XTable)XTable.
[ также возвращает стандартные отклонения связанных функций ограничения.ConstraintViolations,sigma]
= predictConstraints(results,XTable)
Этот пример показывает, как предсказать связанные ограничения оптимизированной модели SVM. Для получения дополнительной информации об этой модели смотрите Оптимизацию классификатора SVM с перекрестной проверкой с использованием bayesopt.
rng default grnpop = mvnrnd([1,0],eye(2),10); redpop = mvnrnd([0,1],eye(2),10); redpts = zeros(100,2); grnpts = redpts; for i = 1:100 grnpts(i,:) = mvnrnd(grnpop(randi(10),:),eye(2)*0.02); redpts(i,:) = mvnrnd(redpop(randi(10),:),eye(2)*0.02); end cdata = [grnpts;redpts]; grp = ones(200,1); grp(101:200) = -1; c = cvpartition(200,'KFold',10); sigma = optimizableVariable('sigma',[1e-5,1e5],'Transform','log'); box = optimizableVariable('box',[1e-5,1e5],'Transform','log');
Целевой функцией является потеря перекрестной валидации модели SVM для раздела c. Связанное ограничение - это количество поддержки векторов в модели минус 100. Модель имеет 200 точек данных, поэтому связанные значения ограничений варьируются от -100 до 100. Положительные значения означают, что ограничение не удовлетворено.
function [objective,constraint] = mysvmfun(x,cdata,grp,c) SVMModel = fitcsvm(cdata,grp,'KernelFunction','rbf',... 'BoxConstraint',x.box,... 'KernelScale',x.sigma); cvModel = crossval(SVMModel,'CVPartition',c); objective = kfoldLoss(cvModel); constraint = sum(SVMModel.IsSupportVector)-100.5;
Вызовите оптимизатор, используя эту функцию и ее одно связанное ограничение.
fun = @(x)mysvmfun(x,cdata,grp,c); results = bayesopt(fun,[sigma,box],'IsObjectiveDeterministic',true,... 'NumCoupledConstraints',1,'PlotFcn',... {@plotMinObjective,@plotConstraintModels,@plotObjectiveModel},... 'AcquisitionFunctionName','expected-improvement-plus','Verbose',0);
График ограничительной модели показывает, что большинство параметров в области значений недопустимы и допустимы только для относительно высоких значений box параметр и небольшая область значений sigma параметр. Спрогнозируйте связанные значения ограничений для нескольких значений переменных системы управления box и sigma.
sigma = logspace(-2,2,11)'; box = logspace(0,5,11)'; XTable = table(sigma,box); cons = predictConstraints(results,XTable); [XTable,table(cons)]
ans =
11x3 table
sigma box cons
________ ______ _______
0.01 1 99.443
0.025119 3.1623 106.49
0.063096 10 94.468
0.15849 31.623 25.134
0.39811 100 -38.732
1 316.23 -55.156
2.5119 1000 -34.181
6.3096 3162.3 5.0153
15.849 10000 39.465
39.811 31623 60.9
100 1e+05 71.906