Редукция данных реконструкцией ICA
ReconstructionICA
применяет анализ независимого компонента реконструкции (RICA), чтобы узнать преобразование, которое сопоставляет входу предикторы с новыми предикторами.
Создайте ReconstructionICA
объект при помощи rica
функция.
FitInfo
- История подгонкиЭто свойство доступно только для чтения.
История аппроксимации, возвращенная как структура с двумя полями:
Iteration
- Числа итераций от 0 до конечной итерации.
Objective
- Значение целевой функции при каждой соответствующей итерации. Итерация 0 соответствует начальным значениям перед любым подбором кривой.
Типы данных: struct
InitialTransformWeights
- Начальные веса преобразования функцийp
-by- q
матрицаЭто свойство доступно только для чтения.
Начальные веса преобразования функций, возвращенные как p
-by- q
матрица, где p
количество переданных предикторов X
и q
- количество требуемых функций. Эти веса являются начальными весами, переданными в функцию создания. Тип данных является единичным, когда обучающие данные X
является одиночным.
Типы данных: single
| double
ModelParameters
- Параметры для обучающей моделиЭто свойство доступно только для чтения.
Параметры для настройки модели, возвращенные как структура. Структура содержит подмножество полей, которые соответствуют rica
Пары "имя-значение", которые были в эффект во время создания модели:
IterationLimit
VerbosityLevel
Lambda
Standardize
ContrastFcn
GradientTolerance
StepTolerance
Для получения дополнительной информации смотрите rica
Name,Value
пар.
Типы данных: struct
Mu
- Предиктор означает при стандартизацииp
-by- 1
векторЭто свойство доступно только для чтения.
Предиктор означает, что при стандартизации возвращается как p
-by- 1
вектор. Это свойство непусто, когда Standardize
Пара "имя-значение" true
при создании модели. Значение является вектором средств предиктора в обучающих данных. Тип данных является единичным, когда обучающие данные X
является одиночным.
Типы данных: single
| double
NonGaussianityIndicator
- Негауссовость источниковq
вектор ±Это свойство доступно только для чтения.
Негауссовость источников, возвращаемая как q длины
вектор ± 1.
NonGaussianityIndicator(k) = 1
средства rica
моделирует k
I источник как субгауссов.
NonGaussianityIndicator(k) = -1
средства rica
моделирует k
th источник как супер-Гауссов, с резким пиком в 0.
Типы данных: double
NumLearnedFeatures
- Количество выходных функцийЭто свойство доступно только для чтения.
Количество выхода функций, возвращаемое в виде положительного целого числа. Это значение является q
аргумент передан в функцию создания, которая является запрошенным количеством функций для изучения.
Типы данных: double
NumPredictors
- Количество входных предикторовЭто свойство доступно только для чтения.
Количество входа предикторов, возвращенных как положительное целое число. Это значение является количеством переданных предикторов X
в функцию создания.
Типы данных: double
Sigma
- Предикторные стандартные отклонения при стандартизацииp
-by- 1
векторЭто свойство доступно только для чтения.
Предиктор стандартных отклонений при стандартизации, возвращается как p
-by- 1
вектор. Это свойство непусто, когда Standardize
Пара "имя-значение" true
при создании модели. Значение является вектором стандартных отклонений предиктора в обучающих данных. Тип данных является единичным, когда обучающие данные X
является одиночным.
Типы данных: single
| double
TransformWeights
- Веса преобразования функцийp
-by- q
матрицаЭто свойство доступно только для чтения.
Веса преобразования функций, возвращенные как p
-by- q
матрица, где p
количество переданных предикторов X
и q
- количество требуемых функций. Тип данных является единичным, когда обучающие данные X
является одиночным.
Типы данных: single
| double
transform | Преобразуйте предикторы в извлечённые функции |
Создайте ReconstructionICA
объект при помощи rica
функция.
Загрузите SampleImagePatches
image закрашенных фигур.
data = load('SampleImagePatches');
size(data.X)
ans = 1×2
5000 363
Существует 5000 закрашенные фигуры для изображений, каждый из которых содержит 363 функции.
Извлеките 100 функции из данных.
rng default % For reproducibility q = 100; Mdl = rica(data.X,q,'IterationLimit',100)
Warning: Solver LBFGS was not able to converge to a solution.
Mdl = ReconstructionICA ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] NonGaussianityIndicator: [100x1 double] Properties, Methods
rica
выдает предупреждение, поскольку оно остановлено из-за достижения предела итерации, вместо достижения предельного размера шага или предельного размера градиента. Вы по-прежнему можете использовать выученные функции в возвращаемом объекте, вызывая transform
функция.
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.