predictObjective
Спрогнозируйте целевую функцию в наборе точек
Синтаксис
Описание
Примеры
Предсказание потерь оптимизированного классификатора при перекрестной валидации
Этот пример показывает, как оценить потери оптимизированного классификатора при перекрестной проверке.
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 default 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');
Составьте таблицу точек для оценки.
b = categorical({'chebychev','euclidean','minkowski'});
n = [1;1;1;4;2;2];
dst = [b(1);b(2);b(3);b(1);b(1);b(3)];
XTable = table(n,dst);Оцените цель и стандартное отклонение цели в этих точках.
[objective,sigma] = predictObjective(results,XTable); [XTable,table(objective,sigma)]
ans=6×4 table
n dst objective sigma
_ _________ _________ _________
1 chebychev 0.12132 0.0068029
1 euclidean 0.14052 0.0079128
1 minkowski 0.14057 0.0079117
4 chebychev 0.1227 0.0068805
2 chebychev 0.12176 0.0066739
2 minkowski 0.1437 0.0075448
Входные параметры
Выходные аргументы
См. также
Введенный в R2016b