predictError
Предсказать значение ошибки в наборе точек
Описание
Примеры
Предсказание ошибок
Этот пример показывает оптимизацию функции, которая выдает ошибку, когда точка оценки имеет норму больше 2. Модель ошибки для целевой функции учит это поведение.
Создайте переменные с именем x1 и x2 которые варьируются от -5 на 5.
var1 = optimizableVariable('x1',[-5,5]); var2 = optimizableVariable('x2',[-5,5]); vars = [var1,var2];
Следующая целевая функция выдает ошибку, когда норма x = [x1,x2] превышает 2:
function f = makeanerror(x)
f = x.x1 - x.x2 - sqrt(4-x.x1^2-x.x2^2);
fun = @makeanerror;
Постройте график модели ошибки и минимальной цели по мере продолжения оптимизации. Оптимизируйте для 60 итераций, чтобы модель ошибки стала хорошо обученной. Для воспроизводимости установите случайный seed и используйте 'expected-improvement-plus' функция сбора.
rng default results = bayesopt(fun,vars,'Verbose',0,'MaxObjectiveEvaluations',60,... 'AcquisitionFunctionName','expected-improvement-plus',... 'PlotFcn',{@plotMinObjective,@plotConstraintModels});
Спрогнозируйте ошибку в точках на линии x1 = x2. Если бы модель ошибки была идеальной, она имела бы значение -1 в каждой точке, где норма x не более 2, и значение 1 во всех других точках.
x1 = (-5:0.5:5)'; x2 = x1; XTable = table(x1,x2); error = predictError(results,XTable); normx = sqrt(x1.^2 + x2.^2); [XTable,table(normx,error)]
ans =
21x4 table
x1 x2 normx error
____ ____ _______ _________
-5 -5 7.0711 0.94663
-4.5 -4.5 6.364 0.97396
-4 -4 5.6569 0.99125
-3.5 -3.5 4.9497 1.0033
-3 -3 4.2426 1.0018
-2.5 -2.5 3.5355 0.99627
-2 -2 2.8284 1.0043
-1.5 -1.5 2.1213 0.89886
-1 -1 1.4142 0.4746
-0.5 -0.5 0.70711 0.0042389
0 0 0 -0.16004
0.5 0.5 0.70711 -0.012397
1 1 1.4142 0.30187
1.5 1.5 2.1213 0.88588
2 2 2.8284 1.0872
2.5 2.5 3.5355 0.997
3 3 4.2426 0.99861
3.5 3.5 4.9497 0.98894
4 4 5.6569 0.98941
4.5 4.5 6.364 0.98956
5 5 7.0711 0.95549