Спрогнозируйте целевую функцию в наборе точек
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