fitclinear

Подгонка линейной классификационной модели к высоко-размерным данным

Синтаксис

Mdl = fitclinear(X,Y)

Mdl = fitclinear(Tbl,ResponseVarName)

Mdl = fitclinear(Tbl,formula)

Mdl = fitclinear(Tbl,Y)

Mdl = fitclinear(X,Y,Name,Value)

[Mdl,FitInfo]
= fitclinear(___)

[Mdl,FitInfo,HyperparameterOptimizationResults]
= fitclinear(___)

Описание

fitclinear обучает линейные модели классификации для двухклассного (двоичного) обучения с высокомерными, полными или разреженными данными предиктора. Доступные линейные модели классификации включают регуляризованные машины опорных векторов (SVM) и логистические регрессионые модели. fitclinear минимизирует целевую функцию с помощью методов, которые сокращают время вычисления (например, стохастический градиентный спуск).

Для сокращения времени вычисления на высоко-размерном наборе данных, который включает много переменные, обучите линейную модель классификации при помощи fitclinear. Для наборов данных со средним и средним размерностями смотрите Альтернативы для нижних размерных данных.

Чтобы обучить линейную модель классификации для многоклассового обучения путем объединения SVM или логистических регрессионых двоичных классификаторов с использованием выходных кодов с исправлением ошибок, см. fitcecoc.

пример

Mdl = fitclinear(X,Y) возвращает обученный объект модели линейной классификации Mdl который содержит результаты подбора кривой двухкомпонентной машины опорных векторов к предикторам X и метки классов Y.

Mdl = fitclinear(Tbl,ResponseVarName) возвращает линейную модель классификации, используя переменные предиктора в таблице Tbl и метки классов в Tbl.ResponseVarName.

Mdl = fitclinear(Tbl,formula) возвращает линейную классификационную модель с использованием выборочных данных в таблице Tbl. Входной параметр formula является объяснительной моделью отклика и подмножеством переменных предиктора в Tbl используется для подгонки Mdl.

Mdl = fitclinear(Tbl,Y) возвращает линейную модель классификации, используя переменные предиктора в таблице Tbl и метки классов в векторных Y.

пример

Mdl = fitclinear(X,Y,Name,Value) задает опции, использующие один или несколько аргументы пары "имя-значение" в дополнение к любой комбинации входных аргументов в предыдущих синтаксисах. Например, можно задать, что столбцы матрицы предиктора соответствуют наблюдениям, реализовать логистическую регрессию или задать для перекрестной проверки. Хорошей практикой является перекрестная проверка с использованием 'Kfold' аргумент пары "имя-значение". Результаты перекрестной валидации определяют, насколько хорошо обобщается модель.

пример

[Mdl,FitInfo] = fitclinear(___) также возвращает детали оптимизации, используя любой из предыдущих синтаксисов. Вы не можете запросить FitInfo для перекрестно проверенных моделей.

[Mdl,FitInfo,HyperparameterOptimizationResults] = fitclinear(___) также возвращает детали оптимизации гипероптимизации параметров управления, когда вы проходите OptimizeHyperparameters Пара "имя-значение".

Примеры

свернуть все

Обучите линейную модель классификации

Открыть Live Script

Обучите двоичную, линейную модель классификации с помощью машин опорных векторов, двойной SGD и регуляризации гребня.

Загрузите набор данных NLP.

load nlpdata

X является разреженной матрицей данных предиктора, и Y является категориальным вектором меток классов. В данных более двух классов.

Идентифицируйте метки, которые соответствуют веб-страницам Statistics and Machine Learning Toolbox™ документации.

Ystats = Y == 'stats';

Обучите двоичную, линейную модель классификации, которая может идентифицировать, является ли слово счетчиком на веб-странице документации из документации Statistics and Machine Learning Toolbox™. Обучите модель, используя весь набор данных. Определите, насколько хорошо алгоритм оптимизации соответствует модели данным, путем извлечения сводных данных подгонки.

rng(1); % For reproducibility 
[Mdl,FitInfo] = fitclinear(X,Ystats)

Mdl = 
  ClassificationLinear
      ResponseName: 'Y'
        ClassNames: [0 1]
    ScoreTransform: 'none'
              Beta: [34023x1 double]
              Bias: -1.0059
            Lambda: 3.1674e-05
           Learner: 'svm'


  Properties, Methods

FitInfo = struct with fields:
                    Lambda: 3.1674e-05
                 Objective: 5.3783e-04
                 PassLimit: 10
                 NumPasses: 10
                BatchLimit: []
             NumIterations: 238561
              GradientNorm: NaN
         GradientTolerance: 0
      RelativeChangeInBeta: 0.0562
             BetaTolerance: 1.0000e-04
             DeltaGradient: 1.4582
    DeltaGradientTolerance: 1
           TerminationCode: 0
         TerminationStatus: {'Iteration limit exceeded.'}
                     Alpha: [31572x1 double]
                   History: []
                   FitTime: 0.1894
                    Solver: {'dual'}

Mdl является ClassificationLinear модель. Можно пройти Mdl и обучающих или новых данных для loss для проверки ошибки классификации в выборке. Или ты можешь пройти Mdl и новые данные предиктора для predict для предсказания меток классов для новых наблюдений.

FitInfo - массив структур, содержащий, помимо прочего, статус завершения (TerminationStatus) и как долго решатель подгонял модель к данным (FitTime). Передовой практикой является использование FitInfo чтобы определить, являются ли измерения оптимизации-обрыв удовлетворительными. Поскольку время обучения мало, можно попытаться переобучить модель, но увеличить количество проходов через данные. Это может улучшить такие меры, как DeltaGradient.

Найдите хороший штраф Lasso с помощью перекрестной валидации

Открыть Live Script

Чтобы определить хорошую силу лассо-штрафа для линейной модели классификации, которая использует учителя логистической регрессии, реализуйте 5-кратную перекрестную валидацию.

Загрузите набор данных NLP.

load nlpdata

Модели должны определять, получено ли количество слов на веб-странице из документации Statistics and Machine Learning Toolbox™. Итак, идентифицируйте метки, которые соответствуют веб-страницам документации Statistics and Machine Learning Toolbox™.

Ystats = Y == 'stats';

Создайте набор из 11 логарифмически разнесенных сильных сторон регуляризации $1 0^{- 6}$ через $1 0^{- 0.5}$ .

Lambda = logspace(-6,-0.5,11);

Перекрестная проверка моделей. Чтобы увеличить скорость выполнения, транспонируйте данные предиктора и укажите, что наблюдения указаны в столбцах. Оцените коэффициенты, используя SpaRSA. Уменьшите допуск на градиент целевой функции, чтобы 1e-8.

X = X'; 
rng(10); % For reproducibility
CVMdl = fitclinear(X,Ystats,'ObservationsIn','columns','KFold',5,...
    'Learner','logistic','Solver','sparsa','Regularization','lasso',...
    'Lambda',Lambda,'GradientTolerance',1e-8)

CVMdl = 
  ClassificationPartitionedLinear
    CrossValidatedModel: 'Linear'
           ResponseName: 'Y'
        NumObservations: 31572
                  KFold: 5
              Partition: [1x1 cvpartition]
             ClassNames: [0 1]
         ScoreTransform: 'none'


  Properties, Methods

numCLModels = numel(CVMdl.Trained)

numCLModels = 5

CVMdl является ClassificationPartitionedLinear модель. Потому что fitclinear реализует 5-кратную перекрестную валидацию, CVMdl содержит 5 ClassificationLinear модели, которые программное обеспечение обучает на каждой складке.

Отобразите первую обученную модель линейной классификации.

Mdl1 = CVMdl.Trained{1}

Mdl1 = 
  ClassificationLinear
      ResponseName: 'Y'
        ClassNames: [0 1]
    ScoreTransform: 'logit'
              Beta: [34023x11 double]
              Bias: [1x11 double]
            Lambda: [1x11 double]
           Learner: 'logistic'


  Properties, Methods

Mdl1 является ClassificationLinear объект модели. fitclinear построенные Mdl1 путем обучения на первых четырех складках. Потому что Lambda последовательность регуляризационных сильных сторон, вы можете думать о Mdl1 как 11 моделей, по одной на каждую силу регуляризации в Lambda.

Оцените перекрестную ошибку классификации.

ce = kfoldLoss(CVMdl);

Потому что существует 11 сильных сторон регуляризации, ce является вектором классификационных ошибок 1 на 11.

Более высокие значения Lambda привести к разреженности переменной предиктора, которая является хорошим качеством классификатора. Для каждой силы регуляризации обучите линейную модель классификации, используя весь набор данных и те же опции, что и при перекрестной проверке моделей. Определите количество ненулевых коэффициентов на модель.

Mdl = fitclinear(X,Ystats,'ObservationsIn','columns',...
    'Learner','logistic','Solver','sparsa','Regularization','lasso',...
    'Lambda',Lambda,'GradientTolerance',1e-8);
numNZCoeff = sum(Mdl.Beta~=0);

На том же рисунке постройте график перекрестно проверенных, классификационных частот ошибок и частоты ненулевых коэффициентов для каждой силы регуляризации. Постройте график всех переменных по шкале журнала.

figure;
[h,hL1,hL2] = plotyy(log10(Lambda),log10(ce),...
    log10(Lambda),log10(numNZCoeff)); 
hL1.Marker = 'o';
hL2.Marker = 'o';
ylabel(h(1),'log_{10} classification error')
ylabel(h(2),'log_{10} nonzero-coefficient frequency')
xlabel('log_{10} Lambda')
title('Test-Sample Statistics')
hold off

Figure contains 2 axes. Axes 1 with title Test-Sample Statistics contains an object of type line. Axes 2 contains an object of type line.

Выберите индекс силы регуляризации, который балансирует переменную разреженности предиктора и низкую ошибку классификации. В этом случае значение между $1 0^{- 4}$ кому $1 0^{- 1}$ должно быть достаточно.

idxFinal = 7;

Выберите модель из Mdl с выбранной прочностью на регуляризацию.

MdlFinal = selectModels(Mdl,idxFinal);

MdlFinal является ClassificationLinear модель, содержащая одну силу регуляризации. Чтобы оценить метки для новых наблюдений, передайте MdlFinal и новые данные для predict.

Оптимизируйте линейный классификатор

Открыть Live Script

В этом примере показано, как минимизировать ошибку перекрестной валидации в линейном классификаторе с помощью fitclinear. В примере используется набор данных NLP.

Загрузите набор данных NLP.

load nlpdata

Модели должны определять, получено ли количество слов на веб-странице из документации Statistics and Machine Learning Toolbox™. Идентифицируйте соответствующие метки.

X = X';
Ystats = Y == 'stats';

Оптимизируйте классификацию с помощью 'auto' параметры.

Для воспроизводимости установите случайный seed и используйте 'expected-improvement-plus' функция сбора.

rng default
Mdl = fitclinear(X,Ystats,'ObservationsIn','columns','Solver','sparsa',...
    'OptimizeHyperparameters','auto','HyperparameterOptimizationOptions',...
    struct('AcquisitionFunctionName','expected-improvement-plus'))

|=====================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |       Lambda |      Learner |
|      | result |             | runtime     | (observed)  | (estim.)    |              |              |
|=====================================================================================================|
|    1 | Best   |    0.041619 |      7.9361 |    0.041619 |    0.041619 |     0.077903 |     logistic |
|    2 | Best   |  0.00076017 |      7.9167 |  0.00076017 |   0.0029067 |   2.1405e-09 |     logistic |
|    3 | Accept |    0.049221 |      8.6984 |  0.00076017 |  0.00078902 |      0.72101 |          svm |
|    4 | Accept |  0.00079184 |      9.4976 |  0.00076017 |  0.00078154 |   3.4734e-07 |          svm |
|    5 | Best   |  0.00072849 |      8.9874 |  0.00072849 |  0.00073116 |   1.1738e-08 |     logistic |
|    6 | Accept |  0.00085519 |      8.9501 |  0.00072849 |  0.00073307 |   2.5065e-09 |          svm |
|    7 | Accept |  0.00079184 |      10.705 |  0.00072849 |  0.00073512 |    3.212e-08 |          svm |
|    8 | Accept |  0.00088686 |      10.281 |  0.00072849 |  0.00073791 |   3.1717e-10 |          svm |
|    9 | Accept |  0.00076017 |      8.9367 |  0.00072849 |  0.00070971 |   3.1837e-10 |     logistic |
|   10 | Accept |  0.00079184 |      15.805 |  0.00072849 |   0.0006934 |   2.2804e-07 |     logistic |
|   11 | Accept |  0.00072849 |      7.5213 |  0.00072849 |  0.00067177 |   5.8465e-08 |     logistic |
|   12 | Accept |  0.00079184 |      7.7882 |  0.00072849 |  0.00067223 |   1.1295e-07 |          svm |
|   13 | Best   |  0.00069682 |      8.2314 |  0.00069682 |  0.00068288 |   6.1059e-08 |     logistic |
|   14 | Accept |  0.00069682 |      10.229 |  0.00069682 |  0.00068745 |    6.322e-08 |     logistic |
|   15 | Accept |  0.00072849 |      12.064 |  0.00069682 |  0.00068818 |   9.2613e-10 |     logistic |
|   16 | Accept |  0.00069682 |      11.695 |  0.00069682 |  0.00069047 |   6.6793e-08 |     logistic |
|   17 | Accept |  0.00072849 |       7.655 |  0.00069682 |  0.00069075 |     3.21e-10 |     logistic |
|   18 | Accept |   0.0012353 |      11.986 |  0.00069682 |  0.00069811 |   0.00083275 |          svm |
|   19 | Accept |  0.00076017 |      11.395 |  0.00069682 |  0.00069953 |   5.0781e-05 |          svm |
|   20 | Accept |  0.00085519 |      8.1292 |  0.00069682 |  0.00070008 |   0.00022104 |          svm |
|=====================================================================================================|
| Iter | Eval   | Objective   | Objective   | BestSoFar   | BestSoFar   |       Lambda |      Learner |
|      | result |             | runtime     | (observed)  | (estim.)    |              |              |
|=====================================================================================================|
|   21 | Accept |  0.00082351 |      13.535 |  0.00069682 |  0.00069992 |   4.5396e-06 |          svm |
|   22 | Accept |   0.0010769 |      27.561 |  0.00069682 |  0.00070804 |   4.9241e-06 |     logistic |
|   23 | Accept |   0.0010136 |      33.915 |  0.00069682 |  0.00070353 |   1.2534e-06 |     logistic |
|   24 | Accept |  0.00072849 |      7.8882 |  0.00069682 |  0.00070517 |   2.4564e-08 |     logistic |
|   25 | Accept |  0.00088686 |      10.864 |  0.00069682 |  0.00070528 |   1.6498e-05 |          svm |
|   26 | Accept |  0.00085519 |      8.7177 |  0.00069682 |  0.00070534 |   1.1571e-06 |          svm |
|   27 | Accept |  0.00079184 |      6.7623 |  0.00069682 |  0.00070543 |    1.021e-08 |          svm |
|   28 | Accept |  0.00076017 |      7.0401 |  0.00069682 |  0.00070556 |   6.9444e-10 |     logistic |
|   29 | Accept |  0.00076017 |      8.3586 |  0.00069682 |  0.00070535 |   5.7627e-09 |     logistic |
|   30 | Accept |  0.00076017 |      8.1972 |  0.00069682 |  0.00071141 |    3.123e-08 |     logistic |

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.

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.

__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 369.5861 seconds
Total objective function evaluation time: 327.2462

Best observed feasible point:
      Lambda      Learner 
    __________    ________

    6.1059e-08    logistic

Observed objective function value = 0.00069682
Estimated objective function value = 0.00071146
Function evaluation time = 8.2314

Best estimated feasible point (according to models):
      Lambda      Learner 
    __________    ________

    5.8465e-08    logistic

Estimated objective function value = 0.00071141
Estimated function evaluation time = 9.4912

Mdl = 
  ClassificationLinear
      ResponseName: 'Y'
        ClassNames: [0 1]
    ScoreTransform: 'logit'
              Beta: [34023x1 double]
              Bias: -9.8590
            Lambda: 5.8465e-08
           Learner: 'logistic'


  Properties, Methods

Входные параметры

свернуть все

`X` - Данные предиктора
полная матрица | разреженная матрица

Данные предиктора, заданные как n -by p полная или разреженная матрица.

Длина Y и количество наблюдений в X должно быть равным.

Примечание

Если вы ориентируете матрицу предиктора так, чтобы наблюдения соответствовали столбцам и задавали 'ObservationsIn','columns', тогда вы можете испытать значительное сокращение времени выполнения оптимизации.

Типы данных: single | double

`Y` - Метки классов
категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

Метки класса, к которым обучена модель классификации, заданные как категориальные символьные или строковые массивы, логический или числовой вектор или массив ячеек из векторов символов.

fitclinear поддерживает только двоичную классификацию. Либо Y должен содержать ровно два различных класса, или необходимо задать два класса для обучения с помощью 'ClassNames' аргумент пары "имя-значение". Для многоклассового обучения см. fitcecoc.
Если Y является символьный массив, тогда каждый элемент должен соответствовать одной строке массива.
Длина Y должно быть равно количеству наблюдений в X или Tbl.
Хорошей практикой является определение порядка классов с помощью ClassNames аргумент пары "имя-значение".

`Tbl` - Выборочные данные
таблица

Выборочные данные, используемых для обучения модели, заданная как таблица. Каждая строка Tbl соответствует одному наблюдению, и каждый столбец соответствует одной переменной предиктора. Опционально Tbl может содержать один дополнительный столбец для переменной отклика. Многополюсные переменные и массивы ячеек, отличные от массивов ячеек векторов символов, не разрешены.

Если Tbl содержит переменную отклика, и необходимо использовать все оставшиеся переменные в Tbl в качестве предикторов, затем задайте переменную отклика при помощи ResponseVarName.
Если Tbl содержит переменную отклика, и необходимо использовать только подмножество остальных переменных в Tbl в качестве предикторов задайте формулу при помощи formula.
Если Tbl не содержит переменную отклика, затем задает переменную отклика при помощи Y. Длина переменной отклика и количество строк в Tbl должно быть равным.

Типы данных: table

`ResponseVarName` - Имя переменной отклика
имя переменной в `Tbl`

Имя переменной отклика, заданное как имя переменной в Tbl.

Вы должны задать ResponseVarName как вектор символов или строковый скаляр. Для примера, если переменная отклика Y хранится как Tbl.Y, затем укажите его следующим 'Y'. В противном случае программное обеспечение обрабатывает все столбцы Tbl, включая Y, как предикторы при обучении модели.

Переменная отклика должна быть категориальными символьными или строковыми массивами; логический или числовой вектор; или массив ячеек из векторов символов. Если Y является символьным массивом, тогда каждый элемент переменной отклика должен соответствовать одной строке массива.

Хорошей практикой является определение порядка классов при помощи ClassNames аргумент имя-значение.

Типы данных: char | string

`formula` - Объяснительная модель переменной отклика и подмножества переменных предиктора
вектор символов | строковый скаляр

Объяснительная модель переменной отклика и подмножества переменных предиктора, заданная в виде вектора символов или строкового скаляра в форме 'Y~x1+x2+x3'. В этой форме Y представляет переменную отклика, и x1, x2, и x3 представляют переменные предиктора.

Чтобы задать подмножество переменных в Tbl в качестве предикторов для настройки модели используйте формулу. Если вы задаете формулу, то программное обеспечение не использует никаких переменных в Tbl которые не появляются в formula.

Имена переменных в формуле должны быть обоими именами переменных в Tbl (Tbl.Properties.VariableNames) и действительный MATLAB^® идентификаторы. Можно проверить имена переменных в Tbl при помощи isvarname функция. Если имена переменных недопустимы, можно преобразовать их, используя matlab.lang.makeValidName функция.

Типы данных: char | string

Примечание

Программное обеспечение лечит NaN, пустой символьный вектор (''), пустая строка (""), <missing>, и <undefined> элементы как отсутствующие значения и удаляет наблюдения с любой из этих характеристик:

Отсутствующее значение в переменной отклика (для примера, Y или ValidationData{2})
По крайней мере, одно отсутствующее значение в наблюдении предиктора (для примера, строка в X или ValidationData{1})
NaN значение или 0 вес (для примера, значение в Weights или ValidationData{3})

Для экономии использования памяти лучшей практики удалить наблюдения, содержащие отсутствующие значения, из обучающих данных вручную перед обучением.

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: 'ObservationsIn','columns','Learner','logistic','CrossVal','on' задает, что столбцы матрицы предиктора соответствуют наблюдениям, для реализации логистической регрессии, для реализации 10-кратной перекрестной валидации.

Примечание

Вы не можете использовать какой-либо аргумент пары "имя-значение" перекрестной проверки наряду с 'OptimizeHyperparameters' аргумент пары "имя-значение". Можно изменить перекрестную валидацию для 'OptimizeHyperparameters' только при помощи 'HyperparameterOptimizationOptions' аргумент пары "имя-значение".

Опции линейной классификации

свернуть все

`'Lambda'` - Прочность термина регуляризации
`'auto'` (по умолчанию) | неотрицательный скаляр | вектор неотрицательных значений

Сила термина регуляризации, заданная как разделенная разделенными запятой парами, состоящая из 'Lambda' и 'auto', неотрицательный скаляр или вектор неотрицательных значений.

Для 'auto', Lambda = 1 / n.
- Если вы задаете перекрестную валидацию, аргумент пары "имя-значение" (например CrossVal), тогда n количество кратных наблюдений.
- В противном случае n размер обучающей выборки.
Для вектора неотрицательных значений, fitclinear последовательно оптимизирует целевую функцию для каждого отдельного значения в Lambda в порядке возрастания.
- Если Solver является 'sgd' или 'asgd' и Regularization является 'lasso', fitclinear не использует предыдущие оценки коэффициентов в качестве теплого начала для следующей итерации оптимизации. В противном случае, fitclinear использует теплые старты.
- Если Regularization является 'lasso', тогда любая оценка коэффициента 0 сохраняет свое значение, когда fitclinear оптимизирует использование последующих значений в Lambda.
- fitclinear возвращает оценки коэффициентов для каждой заданной степени регуляризации.

Пример: 'Lambda',10.^(-(10:-2:2))

Типы данных: char | string | double | single

`'Learner'` - Тип линейной классификационной модели
`'svm'` (по умолчанию) | `'logistic'`

Тип модели линейной классификации, заданный как разделенная разделенными запятой парами, состоящая из 'Learner' и 'svm' или 'logistic'.

В этой таблице, $f (x) = x β + b .$

β является вектором p коэффициентов.
x является наблюдением от p переменных предиктора.
b - скалярное смещение.

Значение	Алгоритм	Область значений отклика	Функция потерь
`'svm'`	Поддерживайте векторную машину	<reservedrangesplaceholder0> {-1,1}; 1 для положительного класса и -1 в противном случае	Шарнир: $ℓ [y, f (x)] = \max [0, 1 - y f (x)]$
`'logistic'`	Логистическая регрессия	То же, что и `'svm'`	Отклонение (логистическое): $ℓ [y, f (x)] = \log {1 + \exp [- y f (x)]}$

Пример: 'Learner','logistic'

`'ObservationsIn'` - размерность наблюдения данных предиктора
`'rows'` (по умолчанию) | `'columns'`

Размерность наблюдения данных предиктора, заданная как 'rows' или 'columns'.

Примечание

Пример: 'ObservationsIn','columns'

Типы данных: char | string

`'Regularization'` - Тип штрафа сложности
`'lasso'` | `'ridge'`

Тип штрафа сложности, заданный как разделенная разделенными запятой парами, состоящая из 'Regularization' и 'lasso' или 'ridge'.

Программное обеспечение составляет целевую функцию для минимизации из суммы функции средних потерь (см Learner) и термин регуляризации в этой таблице.

Значение	Описание
`'lasso'`	Лассо (L1) штраф: $λ \sum_{j = 1}^{p} \| β_{j} \|$
`'ridge'`	Хребет (L2) штраф: $\frac{λ}{2} \sum_{j = 1}^{p} β_{j}^{2}$

Чтобы задать силу термина регуляризации, которая λ в выражениях, используйте Lambda.

Программа исключает термин смещения (β 0) из штрафа за регуляризацию.

Если Solver является 'sparsa', затем значение по умолчанию Regularization является 'lasso'. В противном случае значение по умолчанию является 'ridge'.

Совет

Для выбора переменной предиктора задайте 'lasso'. Для получения дополнительной информации о выборе переменной смотрите Введение в выбор признаков.
Для точности оптимизации задайте 'ridge'.

Пример: 'Regularization','lasso'

`'Solver'` - Метод минимизации целевой функции
`'sgd'` | `'asgd'` | `'dual'` | `'bfgs'` | `'lbfgs'` | `'sparsa'` | строковые массивы | массив ячеек из векторов символов

Метод минимизации целевой функции, заданный как разделенная разделенными запятой парами, состоящая из 'Solver' и вектор символов или строковый скаляр, строковые массивы или массив ячеек из векторов символов со значениями из этой таблицы.

Значение	Описание	Ограничения
`'sgd'`	Стохастический градиентный спуск (SGD) [4][2]
`'asgd'`	Средний стохастический градиентный спуск (ASGD) [7]
`'dual'`	Двойной SGD для SVM- [1][6]	`Regularization` должен быть `'ridge'` и `Learner` должен быть `'svm'`.
`'bfgs'`	Алгоритм Бройдена-Флетчера-Голдфарба-Шанно квази-Ньютона (BFGS) [3]	Неэффективный, если `X` очень высоко-размерный.
`'lbfgs'`	BFGS (LBFGS) с ограниченной памятью [3]	`Regularization` должен быть `'ridge'`.
`'sparsa'`	Разреженная реконструкция с помощью разделяемого приближения (SpaRSA) [5]	`Regularization` должен быть `'lasso'`.

Если вы задаете:

Штраф за хребет (см. Regularization) и X содержит 100 или менее переменных предиктора, тогда решатель по умолчанию 'bfgs'.
Модель SVM (см Learner), штраф за хребет и X содержит более 100 переменных предиктора, тогда решатель по умолчанию 'dual'.
Лассо штраф и X содержит 100 или менее переменных предиктора, тогда решатель по умолчанию 'sparsa'.

В противном случае решатель по умолчанию является 'sgd'.

Если вы задаете строковые массивы или массив ячеек из имен решателей, то программа использует все решатели в заданном порядке для каждого Lambda.

Для получения дополнительной информации о том, какой решатель выбрать, смотрите Советы.

Пример: 'Solver',{'sgd','lbfgs'}

`'Beta'` - Начальные оценки линейных коэффициентов
`нули (p,1)` (по умолчанию) | числовой вектор | числовая матрица

Начальные оценки линейных коэффициентов (β), заданные как разделенная разделенными запятой парами, состоящая из 'Beta' и p -мерный числовой вектор или p -by L числовая матрица. p - количество переменных предиктора в X и L количество значений регуляризационной прочности (для получения дополнительной информации см. Lambda).

Если вы задаете p -мерный вектор, то программное обеспечение оптимизирует целевую функцию L раз, используя этот процесс.
1. Программное обеспечение оптимизирует с помощью Beta как начальное значение и минимальное значение Lambda как прочность на регуляризацию.
2. Программное обеспечение снова оптимизирует, используя полученную оценку от предыдущей оптимизации в качестве теплого начала и следующего наименьшего значения в Lambda как прочность на регуляризацию.
3. Программа реализует шаг 2, пока не исчерпает все значения в Lambda.
Если вы задаете p -by - L матрицу, то программное обеспечение оптимизирует целевую функцию L раз. При итерации j, программное обеспечение использует Beta (:, j) как начальное значение и, после сортировки Lambda в порядке возрастания использует Lambda (j) как прочность на регуляризацию.

Если вы задаете 'Solver','dual', затем программное обеспечение игнорирует Beta.

Типы данных: single | double

`'Bias'` - Первоначальная оценка точки пересечения
числовой скаляр | числовой вектор

Начальная оценка точки пересечения (b), заданная как разделенная разделенными запятой парами, состоящая из 'Bias' и числовой скаляр или L -мерный числовой вектор. L количество значений регуляризационной прочности (для получения дополнительной информации см. Lambda).

Если вы задаете скаляр, то программное обеспечение оптимизирует целевую функцию L раз, используя этот процесс.
1. Программное обеспечение оптимизирует с помощью Bias как начальное значение и минимальное значение Lambda как прочность на регуляризацию.
2. Полученная оценка используется как теплое начало следующей итерации оптимизации и использует следующее наименьшее значение в Lambda как прочность на регуляризацию.
3. Программа реализует шаг 2, пока не исчерпает все значения в Lambda.
Если вы задаете L -мерный вектор, то программное обеспечение оптимизирует целевую функцию L раз. При итерации j, программное обеспечение использует Bias (j) как начальное значение и, после сортировки Lambda в порядке возрастания использует Lambda (j) как прочность на регуляризацию.
По умолчанию:
- Если Learner является 'logistic', тогда позвольте _gj быть 1, если Y (j) является положительным классом и -1 в противном случае. Bias - взвешенное среднее значение g для обучения или, для перекрестной валидации, в кратном выражении.
- Если Learner является 'svm', затем Bias равен 0.

Типы данных: single | double

`'FitBias'` - флаг включения линейной модели точки пересечения
`true` (по умолчанию) | `false`

Флаг включения линейной модели точки пересечения, заданный как разделенная разделенными запятой парами, состоящая из 'FitBias' и true или false.

Значение	Описание
`true`	Программное обеспечение включает термин смещения, b в линейной модели, и затем оценивает его.
`false`	Программное обеспечение устанавливает b = 0 во время оценки.

Пример: 'FitBias',false

Типы данных: logical

`'PostFitBias'` - Флаг для соответствия линейной точке пересечения модели после оптимизации
`false` (по умолчанию) | `true`

Флаг для подгонки линейной точки пересечения модели после оптимизации, заданный как разделенная разделенными запятой парами, состоящая из 'PostFitBias' и true или false.

Значение Описание

false Программа оценивает срок смещения b и коэффициенты, β во время оптимизации.

Значение	Описание
`false`	Программа оценивает срок смещения b и коэффициенты, β во время оптимизации.
`true`	Чтобы оценить b, программное обеспечение: Оценивает β и b с помощью модели Оценки классификационных оценок Обновляет b путем размещения порога на классификационных оценках, который достигает максимальной точности

true

Чтобы оценить b, программное обеспечение:

Оценивает β и b с помощью модели
Оценки классификационных оценок
Обновляет b путем размещения порога на классификационных оценках, который достигает максимальной точности

Если вы задаете true, затем FitBias должно быть true.

Пример: 'PostFitBias',true

Типы данных: logical

`'Verbose'` - Уровень подробностей
`0` (по умолчанию) | неотрицательное целое число

Уровень подробностей, заданный как разделенная разделенными запятой парами, состоящая из 'Verbose' и неотрицательное целое число. Verbose управляет объемом диагностической информации fitclinear отображается в командной строке.

Значение	Описание
`0`	`fitclinear` не отображает диагностическую информацию.
`1`	`fitclinear` периодически отображения и сохраняют значение целевой функции, градиентную величину и другую диагностическую информацию. `FitInfo.History` содержит диагностическую информацию.
Любое другое положительное целое число	`fitclinear` отображает и хранит диагностическую информацию при каждой итерации оптимизации. `FitInfo.History` содержит диагностическую информацию.

Пример: 'Verbose',1

Типы данных: double | single

Опции SGD и решателя ASGD

свернуть все

`'BatchSize'` - Размер мини-партии
положительное целое число

Мини-пакет, заданный как разделенная разделенными запятой парами, состоящая из 'BatchSize' и положительное целое число. При каждой итерации программное обеспечение оценивает подградиент, используя BatchSize наблюдения из обучающих данных.

Если X является числовой матрицей, тогда значение по умолчанию 10.
Если X является разреженной матрицей, тогда значение по умолчанию max([10,ceil(sqrt(ff))]), где ff = numel(X)/nnz(X) (а fullness factor X).

Пример: 'BatchSize',100

Типы данных: single | double

`'LearnRate'` - Скорость обучения
положительная скалярная величина

Скорость обучения, заданный как разделенная разделенными запятой парами, состоящая из 'LearnRate' и положительная скалярная величина. LearnRate управляет размером шага оптимизации путем масштабирования подградиента.

Если Regularization является 'ridge', затем LearnRate задает начальную скорость обучения γ 0 .fitclinear определяет скорость обучения для t итерации, _γt, использования

$γ_{t} = \frac{γ_{0}}{{(1 + λ γ_{0} t)}^{c}} .$
- λ - значение Lambda.
- Если Solver является 'sgd', затем c = 1.
- Если Solver является 'asgd', затем c составляет 0,75 [7].
Если Regularization является 'lasso'затем для всех итераций LearnRate является постоянным.

По умолчанию LearnRate является 1/sqrt(1+max((sum(X.^2,obsDim)))), где obsDim является 1 если наблюдения составляют столбцы данных предиктора X, и 2 в противном случае.

Пример: 'LearnRate',0.01

Типы данных: single | double

`'OptimizeLearnRate'` - Флаг для уменьшения скорости обучения
`true` (по умолчанию) | `false`

Флаг для уменьшения скорости обучения, когда программа обнаруживает расхождение (то есть переступая минимум), заданный как разделенная разделенными запятой парами, состоящая из 'OptimizeLearnRate' и true или false.

Если OptimizeLearnRate является 'true', затем:

Для нескольких итераций оптимизации программное обеспечение начинает оптимизацию с помощью LearnRate как скорость обучения.
Если значение целевой функции увеличивается, то программное обеспечение перезапускает и использует половину текущего значения скорости обучения.
Программа итализирует шаг 2 до тех пор, пока целевая функция не уменьшится.

Пример: 'OptimizeLearnRate',true

Типы данных: logical

`'TruncationPeriod'` - Количество мини-пакетов между запусками усечения лассо
`10` (по умолчанию) | положительное целое число

Количество мини-пакетов между запусками усечения lasso, заданное как разделенная разделенными запятой парами, состоящая из 'TruncationPeriod' и положительное целое число.

После выполнения усечения программное обеспечение применяет мягкий порог к линейным коэффициентам. То есть после обработки k = TruncationPeriod мини-пакеты, программное обеспечение обрезает предполагаемый коэффициент j используя

${\hat{β}}_{j}^{*} = {\begin{array}{l} {\hat{β}}_{j} - u_{t} & если {\hat{β}}_{j} > u_{t}, \\ 0 & если | {\hat{β}}_{j} | \leq u_{t}, \\ {\hat{β}}_{j} + u_{t} & если {\hat{β}}_{j} < - u_{t} . \end{array} \begin{array}{r} \end{array}$

Для SGD, ${\hat{β}}_{j}$ - оценка коэффициентного j после обработки k мини-пакетов. $u_{t} = k γ_{t} λ .$ _γt - скорость обучения в t итерации. λ - значение Lambda.
Для ASGD, ${\hat{β}}_{j}$ - усредненный оценочный коэффициент, j после обработки k мини-пакетов, $u_{t} = k λ .$

Если Regularization является 'ridge', затем программное обеспечение игнорирует TruncationPeriod.

Пример: 'TruncationPeriod',100

Типы данных: single | double

Другие опции классификации

свернуть все

`'CategoricalPredictors'` - Категориальный список предикторов
вектор положительных целых чисел | логический вектор | матрица символа | строковые массивы | массив ячеек векторов символов | `'all'`

Категориальный список предикторов, заданный как одно из значений в этой таблице. Описания предполагают, что данные предиктора имеют наблюдения в строках и предикторы в столбцах.

Значение	Описание
Вектор положительных целых чисел	Каждая запись в векторе является индексом значением, соответствующим столбцу данных предиктора, который содержит категориальную переменную. Значения индекса находятся между 1 и `p`, где `p` - количество предикторов, используемых для обучения модели. Если `fitclinear` использует подмножество входа переменных в качестве предикторов, затем функция индексирует предикторы, используя только подмножество. The `'CategoricalPredictors'` значения не подсчитывают переменную отклика, переменную веса наблюдения и любые другие переменные, которые функция не использует.
Логический вектор	A `true` запись означает, что соответствующий столбец данных предиктора является категориальной переменной. Длина вектора `p`.
Матрица символов	Каждая строка матрицы является именем переменной. Имена должны совпадать с записями в `PredictorNames`. Дополните имена дополнительными пробелами, чтобы каждая строка матрицы символов имела одинаковую длину.
Строковые массивы или массив ячеек векторов символов	Каждый элемент массива является именем переменной. Имена должны совпадать с записями в `PredictorNames`.
`'all'`	Все предикторы категоричны.

По умолчанию, если данные предиктора находятся в таблице (Tbl), fitclinear принимает, что переменная категориальна, если это логический вектор, категориальный вектор, символьный массив, строковые массивы или массив ячеек из векторов символов. Если данные предиктора являются матрицей (X), fitclinear принимает, что все предикторы непрерывны. Чтобы идентифицировать любые другие предикторы как категориальные предикторы, задайте их с помощью 'CategoricalPredictors' аргумент имя-значение.

Для идентифицированных категориальных предикторов, fitclinear создает фиктивные переменные с помощью двух различных схем, в зависимости от того, является ли категориальная переменная неупорядоченной или упорядоченной. Для неупорядоченной категориальной переменной, fitclinear создает одну фиктивную переменную для каждого уровня категориальной переменной. Для упорядоченной категориальной переменной, fitclinear создает одну переменную с меньшим количеством манекенов, чем количество категорий. Для получения дополнительной информации смотрите Автоматическое создание переменных манекена.

Пример: 'CategoricalPredictors','all'

`'ClassNames'` - Имена классов, используемых для обучения
категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

Имена классов, используемых для обучения, заданные как категориальные символьные или строковые массивы; логический или числовой вектор; или массив ячеек из векторов символов. ClassNames должен иметь тот совпадающий тип данных, что и переменная отклика в Tbl или Y.

Если ClassNames является символьный массив, тогда каждый элемент должен соответствовать одной строке массива.

Использование ClassNames кому:

Задайте порядок классов во время обучения.
Задайте порядок любой размерности входного или выходного аргумента, которая соответствует порядку классов. Для примера используйте ClassNames для определения порядка размерностей Cost или порядок столбцов классификационных оценок, возвращаемых predict.
Выберите подмножество классов для обучения. Например, предположим, что набор всех различных имен классов в Y является {'a','b','c'}. Чтобы обучить модель с помощью наблюдений из классов 'a' и 'c' только, задайте 'ClassNames',{'a','c'}.

Значение по умолчанию для ClassNames - набор всех различных имен классов в переменной отклика в Tbl или Y.

Пример: 'ClassNames',{'b','g'}

`'Cost'` - Расходы на неправильную классификацию
квадратная матрица | массив структур

Стоимость неправильной классификации, заданная как разделенная разделенными запятой парами, состоящая из 'Cost' и квадратную матрицу или структуру.

Если вы задаете квадратную матрицу cost ('Cost',cost), затем cost(i,j) - стоимость классификации точки в класс j если его класс true i. То есть строки соответствуют истинному классу, а столбцы соответствуют предсказанному классу. Чтобы задать порядок классов для соответствующих строк и столбцов cost, используйте ClassNames аргумент пары "имя-значение".
Если вы задаете структуру S ('Cost',S), тогда оно должно иметь два поля:
- S.ClassNames, который содержит имена классов как переменный совпадающий тип данных as Y
- S.ClassificationCosts, которая содержит матрицу затрат со строками и столбцами, упорядоченными как в S.ClassNames

Значение по умолчанию для Cost это таковые (K) - глаз (K), где K - количество различных классов.

fitclinear использует Cost для корректировки вероятностей предыдущего класса, заданных в Prior. Затем, fitclinear использует скорректированные предыдущие вероятности для обучения и сбрасывает матрицу затрат в значение по умолчанию.

Пример: 'Cost',[0 2; 1 0]

Типы данных: single | double | struct

`'PredictorNames'` - Имена переменных предиктора
строковые массивы уникальных имен | массивов ячеек из уникальных векторов символов

Имена переменных предиктора, заданные как строковые массивы уникальных имен или массив ячеек из уникальных векторов символов. Функциональность 'PredictorNames' зависит от способа предоставления обучающих данных.

Если вы поставляете X и Y, тогда можно использовать 'PredictorNames' для назначения имен переменным предиктора в X.
- Порядок имен в PredictorNames должен соответствовать порядку предиктора в X. Принимая, что X имеет ориентацию по умолчанию, с наблюдениями в строках и предикторами в столбцах, PredictorNames{1} - имя X(:,1), PredictorNames{2} - имя X(:,2)и так далее. Кроме того, size(X,2) и numel(PredictorNames) должно быть равным.
- По умолчанию PredictorNames является {'x1','x2',...}.
Если вы поставляете Tbl, тогда можно использовать 'PredictorNames' выбрать, какие переменные предиктора использовать в обучении. То есть, fitclinear использует только переменные предиктора в PredictorNames и переменной отклика во время обучения.
- PredictorNames должен быть подмножеством Tbl.Properties.VariableNames и не может включать имя переменной отклика.
- По умолчанию PredictorNames содержит имена всех переменных предиктора.
- Хорошей практикой является определение предикторов для обучения с использованием любой из 'PredictorNames' или formula, но не то и другое.

Пример: 'PredictorNames',{'SepalLength','SepalWidth','PetalLength','PetalWidth'}

Типы данных: string | cell

`'Prior'` - Предыдущие вероятности
`'empirical'` (по умолчанию) | `'uniform'` | числовой вектор | массив структур

Предыдущие вероятности для каждого класса, заданные как разделенная разделенными запятой парами, состоящая из 'Prior' и 'empirical', 'uniform', числовой вектор или массив структур.

В этой таблице результирующие опции для настройки предыдущих вероятностей.

Значение	Описание
`'empirical'`	Предшествующие вероятности классов являются относительными частотами классов в `Y`.
`'uniform'`	Все предшествующие вероятности классов равны 1/ `K`, где `K` количество классов.
числовой вектор	Каждый элемент является классом предыдущей вероятности. Заказать элементы в соответствии с их порядком можно в `Y`. Если вы задаете порядок используя `'ClassNames'` аргумент пары "имя-значение", затем упорядочивайте элементы соответственно.
массив структур	Структурный `S` с двумя полями: `S.ClassNames` содержит имена классов как переменная того же типа, что и `Y`. `S.ClassProbs` содержит вектор соответствующих априорных вероятностей.

fitclinear нормализует предыдущие вероятности в Prior в сумму до 1.

Пример: 'Prior',struct('ClassNames',{{'setosa','versicolor'}},'ClassProbs',1:2)

Типы данных: char | string | double | single | struct

`'ResponseName'` - Имя переменной отклика
`'Y'` (по умолчанию) | символьный вектор | строковый скаляр

Имя переменной отклика, заданное как вектор символов или строковый скаляр.

Если вы поставляете Y, тогда можно использовать 'ResponseName' чтобы задать имя для переменной отклика.
Если вы поставляете ResponseVarName или formula, тогда вы не можете использовать 'ResponseName'.

Пример: 'ResponseName','response'

Типы данных: char | string

`'ScoreTransform'` - Преобразование счета
`'none'` (по умолчанию) | `'doublelogit'` | `'invlogit'` | `'ismax'` | `'logit'` | указатель на функцию |...

Преобразование счета, заданное как вектор символов, строковый скаляр или указатель на функцию.

В этой таблице результирующие векторы символов и строковые скаляры.

Значение	Описание
`'doublelogit'`	1/(1 + e^–2x)
`'invlogit'`	журнал (x/( 1 - x))
`'ismax'`	Устанавливает счет для класса с самым большим счетом равным 1 и устанавливает счета для всех других классов равным 0
`'logit'`	1/(1 + e^–x)
`'none'` или `'identity'`	x (без преобразования)
`'sign'`	-1 для x < 0 0 для x = 0 1 для x > 0
`'symmetric'`	2 x – 1
`'symmetricismax'`	Устанавливает счет для класса с самым большим счетом равным 1 и устанавливает счета для всех других классов равной -1
`'symmetriclogit'`	2/(1 + e^–x) – 1

Для функции MATLAB или функции, которую вы задаете, используйте указатель на функцию для преобразования счета. Указатель на функцию должен принять матрицу (исходные счета) и вернуть матрицу того же размера (преобразованные счета).

Пример: 'ScoreTransform','logit'

Типы данных: char | string | function_handle

`'Weights'` - Веса наблюдений
неотрицательный числовой вектор | имя переменной в `Tbl`

Веса наблюдений, заданные как неотрицательный числовой вектор или имя переменной в Tbl. Программа взвешивает каждое наблюдение в X или Tbl с соответствующим значением в Weights. Длина Weights должно равняться количеству наблюдений в X или Tbl.

Если вы задаете входные данные как таблицу Tbl, затем Weights может быть именем переменной в Tbl который содержит числовой вектор. В этом случае необходимо задать Weights как вектор символов или строковый скаляр. Для примера, если вектор весов W хранится как Tbl.W, затем укажите его следующим 'W'. В противном случае программное обеспечение обрабатывает все столбцы Tbl, включая W, как предикторы или переменная отклика при обучении модели.

По умолчанию Weights является ones(n,1), где n количество наблюдений в X или Tbl.

Программное обеспечение нормализует Weights суммировать к значению предшествующей вероятности в соответствующем классе.

Типы данных: single | double | char | string

Опции перекрестной валидации

свернуть все

`'CrossVal'` - флаг перекрестной валидации
`'off'` (по умолчанию) | `'on'`

Флаг перекрестной проверки, заданный как разделенная разделенными запятой парами, состоящая из 'Crossval' и 'on' или 'off'.

Если вы задаете 'on'затем программное обеспечение реализует 10-кратную перекрестную валидацию.

Чтобы переопределить этот параметр перекрестной проверки, используйте один из следующих аргументов пары "имя-значение": CVPartition, Holdout, или KFold. Чтобы создать перекрестно проверенную модель, можно использовать один аргумент пары "имя-значение" перекрестной валидации только за раз.

Пример: 'Crossval','on'

`'CVPartition'` - Раздел перекрестной проверки
`[]` (по умолчанию) | `cvpartition` Объект раздела

Раздел перекрестной проверки, заданный как разделенная разделенными запятой парами, состоящая из 'CVPartition' и a cvpartition Объект раздела, созданный cvpartition. Объект раздела задает тип перекрестной проверки, а также индексацию для наборов обучения и валидации.

Чтобы создать перекрестно проверенную модель, можно использовать только одну из следующих четырех опций: 'CVPartition', 'Holdout', или 'KFold'.

`'Holdout'` - Доля данных для валидации отключения
скалярное значение в области значений (0,1)

Доля данных, используемых для валидации типа «holdout», заданная как разделенная разделенными запятой парами, состоящая из 'Holdout' и скалярное значение в области значений (0,1). Если вы задаете 'Holdout', p, затем программное обеспечение:

Случайные резервы p*100% данных в качестве данных валидации и обучает модель, используя остальную часть данных
Сохраняет компактную, обученную модель в Trained свойство перекрестно проверенной модели.

Пример: 'Holdout',0.1

Типы данных: double | single

`'KFold'` - Количество складок
`10` (по умолчанию) | положительное целое значение, больше 1

Количество складок для использования в перекрестном проверенном классификаторе, заданное как разделенная разделенными запятой парами, состоящая из 'KFold' и положительное целое значение, больше 1. Если вы задаете, например, 'KFold',k, затем программное обеспечение:

Случайным образом разделяет данные на k набора
Для каждого набора резервирует набор как данные валидации и обучает модель, используя другие наборы k - 1
Сохраняет k компактные, обученные модели в камерах k-by-1 вектор камеры в Trained свойство перекрестно проверенной модели.

Пример: 'KFold',8

Типы данных: single | double

Управление сходимостью SGD и ASGD

свернуть все

`'BatchLimit'` - Максимальное количество партий
положительное целое число

Максимальное количество пакетов для обработки, заданное как разделенная разделенными запятой парами, состоящая из 'BatchLimit' и положительное целое число. Когда программное обеспечение обрабатывает BatchLimit пакеты, это прекращает оптимизацию.

По умолчанию:
- Программное обеспечение проходит через данные PassLimit времени.
- Если вы задаете несколько решателей и используете (A) SGD, чтобы получить начальное приближение для следующего решателя, то значение по умолчанию ceil(1e6/BatchSize). BatchSize - значение 'BatchSize' аргумент пары "имя-значение".
Если вы задаете 'BatchLimit' и 'PassLimit'затем программное обеспечение выбирает аргумент, который приводит к обработке наименьшего количества наблюдений.
Если вы задаете 'BatchLimit' но не 'PassLimit'затем программное обеспечение обрабатывает достаточное количество пакетов, чтобы заполнить до одного целого, проходящего через данные.

Пример: 'BatchLimit',100

Типы данных: single | double

`'BetaTolerance'` - Относительная погрешность на линейные коэффициенты и термин смещения
`1e-4` (по умолчанию) | неотрицательной скаляром

Относительная погрешность на линейные коэффициенты и термин смещения ( точка пересечения), заданный как разделенная разделенными запятой парами, состоящая из 'BetaTolerance' и неотрицательный скаляр.

Давайте $B_{t} = [β_{t}^{'} b_{t}]$ , то есть вектор коэффициентов и член смещения при t итерации оптимизации. Если ${‖ \frac{B_{t} - B_{t - 1}}{B_{t}} ‖}_{2} < BetaTolerance$ , затем оптимизация прекращается.

Если программное обеспечение сходится для последнего решателя, заданного в Solver, затем оптимизация прекращается. В противном случае программное обеспечение использует следующий решатель, указанный в Solver.

Пример: 'BetaTolerance',1e-6

Типы данных: single | double

`'NumCheckConvergence'` - Количество пакетов для обработки перед следующей проверкой сходимости
положительное целое число

Количество пакетов для обработки перед следующей проверкой сходимости, заданное как разделенная разделенными запятой парами, состоящая из 'NumCheckConvergence' и положительное целое число.

Для определения размера пакета см. раздел BatchSize.

Программа проверяет сходимость около 10 раз за проход через весь набор данных по умолчанию.

Пример: 'NumCheckConvergence',100

Типы данных: single | double

`'PassLimit'` - Максимальное количество проходов
`1` (по умолчанию) | положительное целое число

Максимальное количество проходов через данные, заданное как разделенная разделенными запятой парами, состоящая из 'PassLimit' и положительное целое число.

fitclinear обрабатывает все наблюдения, когда он завершает один проход через данные.

Когда fitclinear проходит через данные PassLimit раз, это прекращает оптимизацию.

Если вы задаете 'BatchLimit' и 'PassLimit', затем fitclinear выбирает аргумент, который приводит к обработке наименьшего количества наблюдений.

Пример: 'PassLimit',5

Типы данных: single | double

`'ValidationData'` - Данные валидации для обнаружения сходимости оптимизации
массив ячеек | таблица

Данные валидации для обнаружения сходимости оптимизации, заданные как разделенная разделенными запятой парами, состоящая из 'ValidationData' и массив ячеек или таблица.

Во время оптимизации программное обеспечение периодически оценивает потерю ValidationData. Если потеря данных валидации увеличивается, то программное обеспечение прекращает оптимизацию. Для получения дополнительной информации см. «Алгоритмы». Чтобы оптимизировать гиперпараметры с помощью перекрестной валидации, смотрите опции перекрестной валидации, такие как CrossVal.

Можно задать ValidationData как таблица, если вы используете таблицу Tbl данных предиктора, который содержит переменную отклика. В этом случае ValidationData должны содержать те же предикторы и ответ, содержащиеся в Tbl. Программа не применяет веса к наблюдениям, даже если Tbl содержит вектор весов. Чтобы задать веса, вы должны задать ValidationData как массив ячеек.

Если вы задаете ValidationData в качестве массива ячеек он должен иметь следующий формат:

ValidationData{1} должны иметь совпадающий тип данных и ориентацию в качестве данных предиктора. То есть, если вы используете матрицу предиктора X, затем ValidationData{1} должен быть m -by - p или p -by - m полной или разреженной матрицей данных предиктора, которая имеет ту же ориентацию, что и X. Переменные предиктора в обучающих данных X и ValidationData{1} должен соответствовать. Точно так же, если вы используете таблицу предикторов Tbl данных предиктора, затем ValidationData{1} должна быть таблицей, содержащей те же переменные предиктора, которые содержатся в Tbl. Количество наблюдений в ValidationData{1} и данные предиктора могут варьироваться.
ValidationData{2} должен совпадать с типом данных и форматом переменной отклика, либо Y или ResponseVarName. Если ValidationData{2} - массив меток классов, тогда он должен иметь то же количество элементов, что и количество наблюдений в ValidationData{1}. Набор всех различных меток ValidationData{2} должен быть подмножеством всех различных меток Y. Если ValidationData{1} является таблицей, тогда ValidationData{2} может быть именем переменной отклика в таблице. Если вы хотите использовать ту же ResponseVarName или formula, можно задать ValidationData{2} как [].
Опционально можно задать ValidationData{3} как m -мерный числовой вектор весов наблюдений или имя переменной в таблице ValidationData{1} который содержит веса наблюдений. Программа нормирует веса с данными валидации так, чтобы их сумма равнялась 1.

Если вы задаете ValidationData и хотите отобразить потерю валидации в командной строке, задайте значение, больше 0 для Verbose.

По умолчанию программное обеспечение не обнаруживает сходимость путем мониторинга потерь данных валидации.

Двойное управление сходимостью SGD

свернуть все

`'BetaTolerance'` - Относительная погрешность на линейные коэффициенты и термин смещения
`1e-4` (по умолчанию) | неотрицательной скаляром

Если вы также задаете DeltaGradientToleranceзатем оптимизация прекращается, когда программное обеспечение удовлетворяет любому критерию остановки.

Пример: 'BetaTolerance',1e-6

Типы данных: single | double

`'DeltaGradientTolerance'` - Отклонение разности градиентов
`1` (по умолчанию) | неотрицательной скаляром

Допуск градиента-разности между верхним и нижним бассейном Каруш-Кун-Такер (KKT) нарушители условий комплементарности, заданный как разделенная разделенными запятой парами, состоящая из 'DeltaGradientTolerance' и неотрицательный скаляр.

Если величина нарушителей ККТ меньше DeltaGradientToleranceзатем программное обеспечение прекращает оптимизацию.
Если программное обеспечение сходится для последнего решателя, заданного в Solver, затем оптимизация прекращается. В противном случае программное обеспечение использует следующий решатель, указанный в Solver.

Пример: 'DeltaGapTolerance',1e-2

Типы данных: double | single

`'NumCheckConvergence'` - Количество проходов через весь набор данных для обработки перед следующей проверкой сходимости
`5` (по умолчанию) | положительное целое число

Количество проходов через весь набор данных для обработки перед следующей проверкой сходимости, заданное как разделенная разделенными запятой парами, состоящая из 'NumCheckConvergence' и положительное целое число.

Пример: 'NumCheckConvergence',100

Типы данных: single | double

`'PassLimit'` - Максимальное количество проходов
`10` (по умолчанию) | положительное целое число

Когда программа завершает один проход через данные, она обработала все наблюдения.

Когда программное обеспечение проходит через данные PassLimit раз, это прекращает оптимизацию.

Пример: 'PassLimit',5

Типы данных: single | double

`'ValidationData'` - Данные валидации для обнаружения сходимости оптимизации
массив ячеек | таблица

Если вы задаете ValidationData в качестве массива ячеек он должен иметь следующий формат:

ValidationData{1} должны иметь совпадающий тип данных и ориентацию в качестве данных предиктора. То есть, если вы используете матрицу предиктора X, затем ValidationData{1} должен быть m -by - p или p -by - m полной или разреженной матрицей данных предиктора, которая имеет ту же ориентацию, что и X. Переменные предиктора в обучающих данных X и ValidationData{1} должен соответствовать. Точно так же, если вы используете таблицу предикторов Tbl данных предиктора, затем ValidationData{1} должна быть таблицей, содержащей те же переменные предиктора, которые содержатся в Tbl. Количество наблюдений в ValidationData{1} и данные предиктора могут варьироваться.
ValidationData{2} должен совпадать с типом данных и форматом переменной отклика, либо Y или ResponseVarName. Если ValidationData{2} - массив меток классов, тогда он должен иметь то же количество элементов, что и количество наблюдений в ValidationData{1}. Набор всех различных меток ValidationData{2} должен быть подмножеством всех различных меток Y. Если ValidationData{1} является таблицей, тогда ValidationData{2} может быть именем переменной отклика в таблице. Если вы хотите использовать ту же ResponseVarName или formula, можно задать ValidationData{2} как [].
Опционально можно задать ValidationData{3} как m -мерный числовой вектор весов наблюдений или имя переменной в таблице ValidationData{1} который содержит веса наблюдений. Программа нормирует веса с данными валидации так, чтобы их сумма равнялась 1.

Контроль сходимости BFGS, LBFGS и SpaRSA

свернуть все

`'BetaTolerance'` - Относительная погрешность на линейные коэффициенты и термин смещения
`1e-4` (по умолчанию) | неотрицательной скаляром

Если вы также задаете GradientToleranceзатем оптимизация прекращается, когда программное обеспечение удовлетворяет любому критерию остановки.

Пример: 'BetaTolerance',1e-6

Типы данных: single | double

`'GradientTolerance'` - Абсолютный допуск градиента
`1e-6` (по умолчанию) | неотрицательной скаляром

Абсолютный допуск градиента, заданный как разделенная разделенными запятой парами, состоящая из 'GradientTolerance' и неотрицательный скаляр.

Давайте $\nabla ℒ_{t}$ быть вектором градиента целевой функции относительно коэффициентов и члена смещения при t итерации оптимизации. Если ${‖ \nabla ℒ_{t} ‖}_{\infty} = \max | \nabla ℒ_{t} | < GradientTolerance$ , затем оптимизация прекращается.

Если вы также задаете BetaToleranceзатем оптимизация прекращается, когда программное обеспечение удовлетворяет любому критерию остановки.

Если программное обеспечение сходится для последнего решателя, заданного в программном обеспечении, то оптимизация прекращается. В противном случае программное обеспечение использует следующий решатель, указанный в Solver.

Пример: 'GradientTolerance',1e-5

Типы данных: single | double

`'HessianHistorySize'` - Размер буфера истории для гессианского приближения
`15` (по умолчанию) | положительное целое число

Размер буфера истории для Hessian приближения, заданный как разделенная запятой пара, состоящий из 'HessianHistorySize' и положительное целое число. То есть на каждой итерации программное обеспечение составляет Hessian, используя статистику последних HessianHistorySize итераций.

Программное обеспечение не поддерживает 'HessianHistorySize' для SpaRSA.

Пример: 'HessianHistorySize',10

Типы данных: single | double

`'IterationLimit'` - Максимальное количество итераций оптимизации
`1000` (по умолчанию) | положительное целое число

Максимальное количество итераций оптимизации, заданное как разделенная разделенными запятой парами, состоящая из 'IterationLimit' и положительное целое число. IterationLimit применяется к этим значениям Solver: 'bfgs', 'lbfgs', и 'sparsa'.

Пример: 'IterationLimit',500

Типы данных: single | double

`'ValidationData'` - Данные валидации для обнаружения сходимости оптимизации
массив ячеек | таблица

Если вы задаете ValidationData в качестве массива ячеек он должен иметь следующий формат:

ValidationData{1} должны иметь совпадающий тип данных и ориентацию в качестве данных предиктора. То есть, если вы используете матрицу предиктора X, затем ValidationData{1} должен быть m -by - p или p -by - m полной или разреженной матрицей данных предиктора, которая имеет ту же ориентацию, что и X. Переменные предиктора в обучающих данных X и ValidationData{1} должен соответствовать. Точно так же, если вы используете таблицу предикторов Tbl данных предиктора, затем ValidationData{1} должна быть таблицей, содержащей те же переменные предиктора, которые содержатся в Tbl. Количество наблюдений в ValidationData{1} и данные предиктора могут варьироваться.
ValidationData{2} должен совпадать с типом данных и форматом переменной отклика, либо Y или ResponseVarName. Если ValidationData{2} - массив меток классов, тогда он должен иметь то же количество элементов, что и количество наблюдений в ValidationData{1}. Набор всех различных меток ValidationData{2} должен быть подмножеством всех различных меток Y. Если ValidationData{1} является таблицей, тогда ValidationData{2} может быть именем переменной отклика в таблице. Если вы хотите использовать ту же ResponseVarName или formula, можно задать ValidationData{2} как [].
Опционально можно задать ValidationData{3} как m -мерный числовой вектор весов наблюдений или имя переменной в таблице ValidationData{1} который содержит веса наблюдений. Программа нормирует веса с данными валидации так, чтобы их сумма равнялась 1.

Гипероптимизация параметров управления

свернуть все

`'OptimizeHyperparameters'` - Параметры для оптимизации
`'none'` (по умолчанию) | `'auto'` | `'all'` | строковые массивы или массив ячеек из допустимых имен параметров | вектор `optimizableVariable` объекты

Оптимизируемые параметры, заданные как разделенная разделенными запятой парами, состоящая из 'OptimizeHyperparameters' и одно из следующих:

'none' - Не оптимизировать.
'auto' - Использовать {'Lambda','Learner'}.
'all' - Оптимизируйте все подходящие параметры.
Строковые массивы или массив ячеек с допустимыми именами параметров.
Вектор optimizableVariable объекты, как правило, выходные данные hyperparameters.

Оптимизация пытается минимизировать потери перекрестной валидации (ошибка) для fitclinear путем изменения параметров. Для получения информации о потерях при перекрестной проверке (хотя и в другом контексте), смотрите Классификационные потери. Чтобы контролировать тип перекрестной валидации и другие аспекты оптимизации, используйте HyperparameterOptimizationOptions Пара "имя-значение".

Примечание

'OptimizeHyperparameters' значения переопределяют все значения, которые вы устанавливаете, используя другие аргументы пары "имя-значение". Для примера установка 'OptimizeHyperparameters' на 'auto' вызывает 'auto' значения для применения.

Подходящие параметры для fitclinear являются:

Lambda — fitclinear поиск среди положительных значений, по умолчанию логарифмический в области значений [1e-5/NumObservations,1e5/NumObservations].
Learner — fitclinear поиск среди 'svm' и 'logistic'.
Regularization — fitclinear поиск среди 'ridge' и 'lasso'.

Установите параметры nondefault путем передачи вектора optimizableVariable объекты, которые имеют значения nondefault. Для примера,

load fisheriris
params = hyperparameters('fitclinear',meas,species);
params(1).Range = [1e-4,1e6];

Передайте params как значение OptimizeHyperparameters.

По умолчанию итеративное отображение появляется в командной строке, и графики появляются согласно количеству гиперпараметров в оптимизации. Для оптимизации и графиков целевой функцией является журнал ( 1 + потери перекрестной валидации) для регрессии и коэффициент неправильной классификации для классификации. Чтобы управлять итеративным отображением, установите Verbose поле 'HyperparameterOptimizationOptions' аргумент пары "имя-значение". Чтобы управлять графиками, установите ShowPlots поле 'HyperparameterOptimizationOptions' аргумент пары "имя-значение".

Для получения примера смотрите Оптимизацию Линейного классификатора.

Пример: 'OptimizeHyperparameters','auto'

`'HyperparameterOptimizationOptions'` - Опции для оптимизации
структура

Опции оптимизации, заданные как разделенная разделенными запятой парами, состоящая из 'HyperparameterOptimizationOptions' и структуру. Этот аргумент изменяет эффект OptimizeHyperparameters аргумент пары "имя-значение". Все поля в структуре являются необязательными.

Имя поля	Значения	Дефолт
`Optimizer`	`'bayesopt'` - Используйте байесовскую оптимизацию. Внутренне эта настройка вызывает `bayesopt`. `'gridsearch'` - Используйте поиск по сетке с `NumGridDivisions` значений на размерность. `'randomsearch'` - Поиск наугад среди `MaxObjectiveEvaluations` точки. `'gridsearch'` ищет в случайном порядке, используя равномерную выборку без замены от сетки. После оптимизации можно получить таблицу в порядке сетки при помощи команды `sortrows(Mdl.HyperparameterOptimizationResults)`.	`'bayesopt'`
`AcquisitionFunctionName`	`'expected-improvement-per-second-plus'` `'expected-improvement'` `'expected-improvement-plus'` `'expected-improvement-per-second'` `'lower-confidence-bound'` `'probability-of-improvement'` Функции сбора данных, имена которых включают `per-second` не дают воспроизводимых результатов, потому что оптимизация зависит от времени выполнения целевой функции. Функции сбора данных, имена которых включают `plus` изменять свое поведение при чрезмерной эксплуатации области. Для получения дополнительной информации см. Типы функций приобретения.	`'expected-improvement-per-second-plus'`
`MaxObjectiveEvaluations`	Максимальное количество вычислений целевой функции.	`30` для `'bayesopt'` или `'randomsearch'`, и вся сетка для `'gridsearch'`
`MaxTime`	Временной предел, заданный как положительный действительный. Предел времени в секундах, что измеряется `tic` и `toc`. Время выполнения может превысить `MaxTime` потому что `MaxTime` не прерывает вычисления функции.	`Inf`
`NumGridDivisions`	Для `'gridsearch'`, количество значений в каждой размерности. Значение может быть вектором положительных целых чисел, дающих количество значений для каждой размерности, или скаляром, который применяется ко всем размерностям. Это поле игнорируется для категориальных переменных.	`10`
`ShowPlots`	Логическое значение, указывающее, показывать ли графики. Если `true`, это поле строит график наилучшего значения целевой функции относительно числа итерации. Если существует один или два параметра оптимизации и если `Optimizer` является `'bayesopt'`, затем `ShowPlots` также строит график модели целевой функции относительно параметров.	`true`
`SaveIntermediateResults`	Логическое значение, указывающее, сохранять ли результаты при `Optimizer` является `'bayesopt'`. Если `true`, это поле перезаписывает переменную рабочей области с именем `'BayesoptResults'` при каждой итерации. Переменная является `BayesianOptimization` объект.	`false`
`Verbose`	Отображение в командной строке. `0` - Нет итерационного отображения `1` - Итеративное отображение `2` - Итеративное отображение с дополнительной информацией Для получения дополнительной информации смотрите `bayesopt` `Verbose` аргумент пары "имя-значение".	`1`
`UseParallel`	Логическое значение, указывающее, запускать ли байесовскую оптимизацию параллельно, что требует Parallel Computing Toolbox™. Из-за непродуктивности параллельной синхронизации параллельная байесовская оптимизация не обязательно приводит к воспроизводимым результатам. Для получения дополнительной информации см. «Параллельная байесовская оптимизация».	`false`
`Repartition`	Логическое значение, указывающее, следует ли повторять перекрестную валидацию при каждой итерации. Если `false`Оптимизатор использует один раздел для оптимизации. `true` обычно дает наиболее устойчивые результаты, потому что эта настройка учитывает шум разбиения. Однако для хороших результатов `true` требует, по крайней мере, в два раза больше вычислений функции.	`false`
Используйте не более одного из следующих трех имен полей.
`CVPartition`	A `cvpartition` объект, созданный `cvpartition`.	`'Kfold',5` если вы не задаете какое-либо поле перекрестной проверки
`Holdout`	Скаляр в области значений `(0,1)` представляющий фракцию удержания.
`Kfold`	Целое число, больше 1.

Пример: 'HyperparameterOptimizationOptions',struct('MaxObjectiveEvaluations',60)

Типы данных: struct

Выходные аргументы

свернуть все

`Mdl` - Обученная модель линейной классификации
`ClassificationLinear` объект модели | `ClassificationPartitionedLinear` перекрестно проверенный объект модели

Обученная модель линейной классификации, возвращенная как ClassificationLinearобъект модели перекрестно проверенный объект модели.

Если вы задаете любой из аргументов пары "имя-значение" KFold, Holdout, CrossVal, или CVPartition, затем Mdl является ClassificationPartitionedLinear перекрестно проверенный объект модели. В противном случае Mdl является ClassificationLinear объект модели.

Ссылка на свойства Mdl, используйте запись через точку. Для примера введите Mdl.Beta в Командном окне, чтобы отобразить вектор или матрицу предполагаемых коэффициентов.

Примечание

В отличие от других классификационных моделей и для экономичного использования памяти, ClassificationLinear и ClassificationPartitionedLinear объекты модели не хранят обучающие данные или детали процесса обучения (для примера, истории сходимости).

`FitInfo` - Детали оптимизации
массив структур

Детали оптимизации, возвращенные как массив структур.

Поля задают конечные значения или спецификации аргументов пары "имя-значение", например Objective - значение целевой функции, когда оптимизация прекращается. Строки многомерных полей соответствуют значениям Lambda а столбцы соответствуют значениям Solver.

В этой таблице описываются некоторые заметные области.

Область Описание

TerminationStatus

Причина завершения оптимизации
Соответствует значению в TerminationCode

FitTime Истекшее, настенное время в секундах

History

Массив структур информации оптимизации для каждой итерации. Полевые Solver сохраняет типы решателей, используя целочисленное кодирование.

Целое число	Решатель
1	Сингапурский доллар
2	ASGD
3	Двойной SGD для SVM
4	LBFGS
5	BFGS
6	SpaRSA

Для доступа к полям используйте запись через точку. Для примера, чтобы получить доступ к вектору значений целевой функции для каждой итерации, введите FitInfo.History.Objective.

Это хорошая практика, чтобы изучить FitInfo оценить, является ли сходимость удовлетворительной.

`HyperparameterOptimizationResults` - Оптимизация гиперпараметров перекрестной валидации
`BayesianOptimization` объект | таблица гиперпараметров и связанных значений

Оптимизация гиперпараметров с перекрестной валидацией, возвращенная как BayesianOptimization объект или таблица гиперпараметров и связанных значений. Выход непуст, когда значение 'OptimizeHyperparameters' не 'none'. Выходное значение зависит от Optimizer значение поля 'HyperparameterOptimizationOptions' аргумент пары "имя-значение":

Значение `Optimizer` Область	Значение `HyperparameterOptimizationResults`
`'bayesopt'` (по умолчанию)	Объект `BayesianOptimization классов`
`'gridsearch'` или `'randomsearch'`	Таблица используемых гиперпараметров, наблюдаемых значений целевой функции (потери перекрестной валидации) и ранг наблюдений от самого низкого (лучшего) до самого высокого (худшего)

Подробнее о

свернуть все

Теплый старт

A warm start является начальной оценкой бета-коэффициентов и условия смещения, поданные в стандартную программу оптимизации для более быстрого сходимости.

Альтернативы для низкомерных данных

Высокомерные линейные модели классификации и регрессии минимизируют целевые функции относительно быстро, но за счет некоторой точности ограничение переменных предиктора только для числа и модель должна быть линейной относительно параметров. Если ваш набор данных предиктора низко- через среднюю размерность или содержит неоднородные переменные, то вам следует использовать соответствующую функцию подбора кривой классификации или регрессии. Чтобы помочь вам решить, какая функция подбора кривой подходит для вашего низкомерного набора данных, используйте эту таблицу.

Модель для подгонки	Функция	Заметные алгоритмические различия
SVM	Двоичная классификация: `fitcsvm` Многоклассовая классификация: `fitcecoc` Регрессия: `fitrsvm`	Вычисляет матрицу Грамма переменных, которая удобна для нелинейных преобразований ядра. Решает двойную задачу с помощью SMO, ISDA или L 1 минимизации посредством квадратичного программирования с помощью`quadprog` (Optimization Toolbox).
Линейная регрессия	Наименьшие квадраты без регуляризации: `fitlm` Регуляризованные наименьшие квадраты с использованием штрафа лассо: `lasso` Регрессия хребта: `ridge` или `lasso`	`lasso` реализует циклический спуск координат.
Логистическая регрессия	Логистическая регрессия без регуляризации: `fitglm`. Регуляризованная логистическая регрессия с использованием штрафа лассо: `lassoglm`	`fitglm` реализует итерационно перегрузку методом наименьших квадратов. `lassoglm` реализует циклический спуск координат.

Совет

Это - лучшая практика сориентировать матрицу предиктора так, чтобы наблюдения соответствовали столбцам, и задать 'ObservationsIn','columns'. В результате можно испытать значительное сокращение времени оптимизации-выполнения.
Для лучшей точности оптимизации, когда у вас есть высокомерные данные предиктора и Regularization значение 'ridge', установите любую из этих опций для Solver:
- 'sgd'
- 'asgd'
- 'dual' если Learner является 'svm'
- {'sgd','lbfgs'}
- {'asgd','lbfgs'}
- {'dual','lbfgs'} если Learner является 'svm'
Другие опции могут привести к плохой точности оптимизации.
Для лучшей точности оптимизации, когда у вас есть умеренно-низкомерные данные предиктора и Regularization значение 'ridge', задать Solver на 'bfgs'.
Если Regularization является 'lasso', установите любую из этих опций для Solver:
- 'sgd'
- 'asgd'
- 'sparsa'
- {'sgd','sparsa'}
- {'asgd','sparsa'}
При выборе между SGD и ASGD примите к сведению, что:
- SGD занимает меньше времени за итерацию, но для сходимости требуется больше итераций.
- Для сходимости ASGD требуется меньше итераций, но требуется больше времени на итерацию.
Если ваши данные предиктора имеют мало наблюдений, но много переменных предиктора, то:
- Задайте 'PostFitBias',true.
- Для решателей SGD или ASGD установите PassLimit к положительному целому числу, которое больше 1, например, 5 или 10. Эта настройка часто приводит к лучшей точности.
Для решателей SGD и ASGD, BatchSize влияет на скорость сходимости.
- Если BatchSize слишком маленькая, тогда fitclinear достигает минимума во многих итерациях, но быстро вычисляет градиент на итерацию.
- Если BatchSize слишком велик, тогда fitclinear достигает минимума в меньшем количестве итераций, но вычисляет градиент на итерацию медленно.
Большие скорости обучения (см LearnRate) ускорить сходимость до минимума, но может привести к расхождению (то есть переступая минимум). Малые скорости обучения гарантируют сходимость к минимуму, но могут привести к медленному прекращению обучения.
При использовании штрафов лассо экспериментируйте с различными значениями TruncationPeriod. Для примера задайте TruncationPeriod на 1, 10и затем 100.
Для эффективности, fitclinear не стандартизирует данные предиктора. Для стандартизации X, введите
```
X = bsxfun(@rdivide,bsxfun(@minus,X,mean(X,2)),std(X,0,2));
```
Код требует, чтобы вы ориентировали предикторы и наблюдения как строки и столбцы X, соответственно. Кроме того, для экономии использования памяти код заменяет исходные данные предиктора стандартизированные данные.

После обучения модели можно сгенерировать код C/C + +, который предсказывает метки для новых данных. Для генерации кода C/C + + требуется MATLAB Coder™. Для получения дополнительной информации смотрите Введение в генерацию кода.

Алгоритмы

Если вы задаете ValidationDataзатем, во время оптимизации целевой функции:
- fitclinear оценивает потерю валидации ValidationData периодически используя текущую модель, и отслеживает минимальную оценку.
- Когда fitclinear оценивает потери валидации, сравнивает оценку с минимальной оценкой.
- Когда последующие оценки потерь при валидации превышают минимальную оценку в пять раз, fitclinear завершает оптимизацию.
Если вы задаете ValidationData и для реализации перекрестной стандартной программы валидации (CrossVal, CVPartition, Holdout, или KFold), затем:
1. fitclinear случайным образом разделы X и Y (или Tbl) в соответствии с выбранной процедурой перекрестной валидации.
2. fitclinear обучает модель с помощью раздела обучающих данных. Во время оптимизации целевой функции, fitclinear использует ValidationData как еще один возможный способ завершения оптимизации (для получения дополнительной информации см. предыдущую пулю).
3. Однажды fitclinear удовлетворяет критерию остановки, он строит обученную модель на основе оптимизированных линейных коэффициентов и точки пересечения.
  1. Если вы реализуете k -кратную перекрестную валидацию, иfitclinear не исчерпал все складки набора обучающих данных, тогда fitclinear возвращается к шагу 2, чтобы обучиться с использованием следующего шага набора обучающих данных.
  2. В противном случае, fitclinear завершает обучение, а затем возвращает перекрестно проверенную модель.
4. Можно определить качество перекрестно проверенной модели. Для примера:
  - Чтобы определить потери валидации с помощью данных holdout или out-of-fold из шага 1, передайте перекрестно проверенную модель, чтобы kfoldLoss.
  - Чтобы предсказать наблюдения за данными holdout или out-of-fold с шага 1, передайте перекрестно проверенную модель, чтобы kfoldPredict.

Ссылки

[1] Hsieh, C. J., K. W. Chang, C. J. Лин, С. С. Кеерти и С. Сундарараджан. Метод двойного координатного спуска для крупномасштабного линейного SVM. Материалы 25-й Международной конференции по машинному обучению, ICML "08, 2001, стр. 408-415.

[2] Лэнгфорд, Дж., Л. Ли, и Т. Чжан. «Разреженное онлайн-обучение через усеченный градиент». Дж. Мач. Учись. Рес., том 10, 2009, стр. 777-801.

[3] Nocedal, J. and S. J. Wright. Численная оптимизация, 2-е изд., Нью-Йорк: Спрингер, 2006.

[4] Шалев-Шварц, С., Я. Сингер, и Н. Сребру. Pegasos: Primal Estimated Sub-Gradient Solver for SVM (неопр.) (недоступная ссылка). Материалы 24-й Международной конференции по машинному обучению, ICML "07, 2007, стр. 807-814.

[5] Райт, С. Дж., Р. Д. Новак, и М. А. Т. Фигейредо. «Разреженная реконструкция с помощью разделяемого приближения». Транс. Сиг. Proc., Том 57, № 7, 2009, стр. 2479-2493.

[6] Xiao, Lin. «Dual Aververaging Methods for Regularized Stochastic Learning and Online Optimization». Дж. Мач. Учись. Res., Vol. 11, 2010, pp. 2543-2596.

[7] Сюй, Вэй. «К оптимальной однопроходной большой Шкале обучению со средним стохастическим градиентным спуском». CoRR, abs/1107.2490, 2011.

Расширенные возможности

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Указания и ограничения по применению:

Для получения дополнительной информации см. Раздел «Длинные массивы»

Автоматическая параллельная поддержка
Ускорите код путем автоматического выполнения расчетов параллельно с помощью Parallel Computing Toolbox™.

Чтобы выполнить параллельную оптимизацию гипероптимизации параметров управления, используйте 'HyperparameterOptimizationOptions', struct('UseParallel',true) аргумент имя-значение в вызове этой функции.

Для получения дополнительной информации об оптимизации параллельной гипероптимизации параметров управления смотрите Parallel Bayesian Optimization.

Общие сведения о параллельных вычислениях см. в разделе Запуск функций MATLAB с поддержкой автоматических параллелей (Parallel Computing Toolbox).

См. также

Введенный в R2016a

Документация

fitclinear

Синтаксис

Описание

Примеры

Обучите линейную модель классификации

Найдите хороший штраф Lasso с помощью перекрестной валидации

Оптимизируйте линейный классификатор

Входные параметры

X - Данные предиктора полная матрица | разреженная матрица

Y - Метки классов категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

Tbl - Выборочные данные таблица

ResponseVarName - Имя переменной отклика имя переменной в Tbl

formula - Объяснительная модель переменной отклика и подмножества переменных предиктора вектор символов | строковый скаляр

Аргументы в виде пар имя-значение

'Lambda' - Прочность термина регуляризации 'auto' (по умолчанию) | неотрицательный скаляр | вектор неотрицательных значений

'Learner' - Тип линейной классификационной модели 'svm' (по умолчанию) | 'logistic'

'ObservationsIn' - размерность наблюдения данных предиктора 'rows' (по умолчанию) | 'columns'

'Regularization' - Тип штрафа сложности 'lasso' | 'ridge'

'Solver' - Метод минимизации целевой функции 'sgd' | 'asgd' | 'dual' | 'bfgs' | 'lbfgs' | 'sparsa' | строковые массивы | массив ячеек из векторов символов

'Beta' - Начальные оценки линейных коэффициентов нули (p,1) (по умолчанию) | числовой вектор | числовая матрица

'Bias' - Первоначальная оценка точки пересечения числовой скаляр | числовой вектор

'FitBias' - флаг включения линейной модели точки пересечения true (по умолчанию) | false

'PostFitBias' - Флаг для соответствия линейной точке пересечения модели после оптимизации false (по умолчанию) | true

'Verbose' - Уровень подробностей 0 (по умолчанию) | неотрицательное целое число

'BatchSize' - Размер мини-партии положительное целое число

'LearnRate' - Скорость обучения положительная скалярная величина

'OptimizeLearnRate' - Флаг для уменьшения скорости обучения true (по умолчанию) | false

'TruncationPeriod' - Количество мини-пакетов между запусками усечения лассо 10 (по умолчанию) | положительное целое число

'Cost' - Расходы на неправильную классификацию квадратная матрица | массив структур

'PredictorNames' - Имена переменных предиктора строковые массивы уникальных имен | массивов ячеек из уникальных векторов символов

'Prior' - Предыдущие вероятности 'empirical' (по умолчанию) | 'uniform' | числовой вектор | массив структур

'ResponseName' - Имя переменной отклика 'Y' (по умолчанию) | символьный вектор | строковый скаляр

'ScoreTransform' - Преобразование счета 'none' (по умолчанию) | 'doublelogit' | 'invlogit' | 'ismax' | 'logit' | указатель на функцию |...

'Weights' - Веса наблюдений неотрицательный числовой вектор | имя переменной в Tbl

'CrossVal' - флаг перекрестной валидации 'off' (по умолчанию) | 'on'

'CVPartition' - Раздел перекрестной проверки [] (по умолчанию) | cvpartition Объект раздела

'Holdout' - Доля данных для валидации отключения скалярное значение в области значений (0,1)

'KFold' - Количество складок 10 (по умолчанию) | положительное целое значение, больше 1

'BatchLimit' - Максимальное количество партий положительное целое число

'BetaTolerance' - Относительная погрешность на линейные коэффициенты и термин смещения 1e-4 (по умолчанию) | неотрицательной скаляром

'NumCheckConvergence' - Количество пакетов для обработки перед следующей проверкой сходимости положительное целое число

'PassLimit' - Максимальное количество проходов 1 (по умолчанию) | положительное целое число

'ValidationData' - Данные валидации для обнаружения сходимости оптимизации массив ячеек | таблица

'BetaTolerance' - Относительная погрешность на линейные коэффициенты и термин смещения 1e-4 (по умолчанию) | неотрицательной скаляром

'DeltaGradientTolerance' - Отклонение разности градиентов 1 (по умолчанию) | неотрицательной скаляром

'NumCheckConvergence' - Количество проходов через весь набор данных для обработки перед следующей проверкой сходимости 5 (по умолчанию) | положительное целое число

'PassLimit' - Максимальное количество проходов 10 (по умолчанию) | положительное целое число

'ValidationData' - Данные валидации для обнаружения сходимости оптимизации массив ячеек | таблица

'BetaTolerance' - Относительная погрешность на линейные коэффициенты и термин смещения 1e-4 (по умолчанию) | неотрицательной скаляром

'GradientTolerance' - Абсолютный допуск градиента 1e-6 (по умолчанию) | неотрицательной скаляром

'HessianHistorySize' - Размер буфера истории для гессианского приближения 15 (по умолчанию) | положительное целое число

'IterationLimit' - Максимальное количество итераций оптимизации 1000 (по умолчанию) | положительное целое число

'ValidationData' - Данные валидации для обнаружения сходимости оптимизации массив ячеек | таблица

'OptimizeHyperparameters' - Параметры для оптимизации 'none' (по умолчанию) | 'auto' | 'all' | строковые массивы или массив ячеек из допустимых имен параметров | вектор optimizableVariable объекты

'HyperparameterOptimizationOptions' - Опции для оптимизации структура

Выходные аргументы

Mdl - Обученная модель линейной классификации ClassificationLinear объект модели | ClassificationPartitionedLinear перекрестно проверенный объект модели

FitInfo - Детали оптимизации массив структур

HyperparameterOptimizationResults - Оптимизация гиперпараметров перекрестной валидации BayesianOptimization объект | таблица гиперпараметров и связанных значений

Подробнее о

Теплый старт

Альтернативы для низкомерных данных

Совет

Алгоритмы

Ссылки

Расширенные возможности

Длинные» массивы Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Автоматическая параллельная поддержка Ускорите код путем автоматического выполнения расчетов параллельно с помощью Parallel Computing Toolbox™.

См. также

Statistics and Machine Learning Toolbox документация

Поддержка

`X` - Данные предиктора
полная матрица | разреженная матрица

`Y` - Метки классов
категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

`Tbl` - Выборочные данные
таблица

`ResponseVarName` - Имя переменной отклика
имя переменной в `Tbl`

`formula` - Объяснительная модель переменной отклика и подмножества переменных предиктора
вектор символов | строковый скаляр

`'Lambda'` - Прочность термина регуляризации
`'auto'` (по умолчанию) | неотрицательный скаляр | вектор неотрицательных значений

`'Learner'` - Тип линейной классификационной модели
`'svm'` (по умолчанию) | `'logistic'`

`'ObservationsIn'` - размерность наблюдения данных предиктора
`'rows'` (по умолчанию) | `'columns'`

`'Regularization'` - Тип штрафа сложности
`'lasso'` | `'ridge'`

`'Solver'` - Метод минимизации целевой функции
`'sgd'` | `'asgd'` | `'dual'` | `'bfgs'` | `'lbfgs'` | `'sparsa'` | строковые массивы | массив ячеек из векторов символов

`'Beta'` - Начальные оценки линейных коэффициентов
`нули (p,1)` (по умолчанию) | числовой вектор | числовая матрица

`'Bias'` - Первоначальная оценка точки пересечения
числовой скаляр | числовой вектор

`'FitBias'` - флаг включения линейной модели точки пересечения
`true` (по умолчанию) | `false`

`'PostFitBias'` - Флаг для соответствия линейной точке пересечения модели после оптимизации
`false` (по умолчанию) | `true`

`'Verbose'` - Уровень подробностей
`0` (по умолчанию) | неотрицательное целое число

`'BatchSize'` - Размер мини-партии
положительное целое число

`'LearnRate'` - Скорость обучения
положительная скалярная величина

`'OptimizeLearnRate'` - Флаг для уменьшения скорости обучения
`true` (по умолчанию) | `false`

`'TruncationPeriod'` - Количество мини-пакетов между запусками усечения лассо
`10` (по умолчанию) | положительное целое число

`'Cost'` - Расходы на неправильную классификацию
квадратная матрица | массив структур

`'PredictorNames'` - Имена переменных предиктора
строковые массивы уникальных имен | массивов ячеек из уникальных векторов символов

`'Prior'` - Предыдущие вероятности
`'empirical'` (по умолчанию) | `'uniform'` | числовой вектор | массив структур

`'ResponseName'` - Имя переменной отклика
`'Y'` (по умолчанию) | символьный вектор | строковый скаляр

`'ScoreTransform'` - Преобразование счета
`'none'` (по умолчанию) | `'doublelogit'` | `'invlogit'` | `'ismax'` | `'logit'` | указатель на функцию |...

`'Weights'` - Веса наблюдений
неотрицательный числовой вектор | имя переменной в `Tbl`

`'CrossVal'` - флаг перекрестной валидации
`'off'` (по умолчанию) | `'on'`

`'CVPartition'` - Раздел перекрестной проверки
`[]` (по умолчанию) | `cvpartition` Объект раздела

`'Holdout'` - Доля данных для валидации отключения
скалярное значение в области значений (0,1)

`'KFold'` - Количество складок
`10` (по умолчанию) | положительное целое значение, больше 1

`'BatchLimit'` - Максимальное количество партий
положительное целое число

`'BetaTolerance'` - Относительная погрешность на линейные коэффициенты и термин смещения
`1e-4` (по умолчанию) | неотрицательной скаляром

`'NumCheckConvergence'` - Количество пакетов для обработки перед следующей проверкой сходимости
положительное целое число

`'PassLimit'` - Максимальное количество проходов
`1` (по умолчанию) | положительное целое число

`'ValidationData'` - Данные валидации для обнаружения сходимости оптимизации
массив ячеек | таблица

`'BetaTolerance'` - Относительная погрешность на линейные коэффициенты и термин смещения
`1e-4` (по умолчанию) | неотрицательной скаляром

`'DeltaGradientTolerance'` - Отклонение разности градиентов
`1` (по умолчанию) | неотрицательной скаляром

`'NumCheckConvergence'` - Количество проходов через весь набор данных для обработки перед следующей проверкой сходимости
`5` (по умолчанию) | положительное целое число

`'PassLimit'` - Максимальное количество проходов
`10` (по умолчанию) | положительное целое число

`'ValidationData'` - Данные валидации для обнаружения сходимости оптимизации
массив ячеек | таблица

`'BetaTolerance'` - Относительная погрешность на линейные коэффициенты и термин смещения
`1e-4` (по умолчанию) | неотрицательной скаляром

`'GradientTolerance'` - Абсолютный допуск градиента
`1e-6` (по умолчанию) | неотрицательной скаляром

`'HessianHistorySize'` - Размер буфера истории для гессианского приближения
`15` (по умолчанию) | положительное целое число

`'IterationLimit'` - Максимальное количество итераций оптимизации
`1000` (по умолчанию) | положительное целое число

`'ValidationData'` - Данные валидации для обнаружения сходимости оптимизации
массив ячеек | таблица

`'HyperparameterOptimizationOptions'` - Опции для оптимизации
структура

`Mdl` - Обученная модель линейной классификации
`ClassificationLinear` объект модели | `ClassificationPartitionedLinear` перекрестно проверенный объект модели

`FitInfo` - Детали оптимизации
массив структур

`HyperparameterOptimizationResults` - Оптимизация гиперпараметров перекрестной валидации
`BayesianOptimization` объект | таблица гиперпараметров и связанных значений

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Автоматическая параллельная поддержка
Ускорите код путем автоматического выполнения расчетов параллельно с помощью Parallel Computing Toolbox™.