График прогресса обеспечивает живую обратную связь на состоянии оценки параметра при использовании sbiofit, sbiofitmixed, или программа Fit Data в приложении SimBiology Model Analyzer. Когда вы активируете эту опцию, новый рисунок открывает и показывает подходящие качественные меры, такие как логарифмическая правдоподобность и оцененные значения параметров для каждой функциональной итерации. График контролирует прогресс, запускаете ли вы подгонку на локальной машине или в параллельных использующих удаленных кластерах.
Когда вы оцениваете параметры, можно задать который метод оценки использовать во время подбора кривой. График прогресса показывают для всех методов оценки за исключением nlinfit (Statistics and Machine Learning Toolbox). Однако график прогресса отличается в зависимости от того, используете ли вы нелинейный метод смешанных эффектов (nlmefit или nlmefitsa) или нелинейный метод регрессии, такой как lsqnonlin.
Фигура графика прогресса содержит ряд подграфиков. А именно, подграфики показывают значения параметров фиксированного эффекта (theta), оценки параметров отклонения, то есть, диагональных элементов ковариационной матрицы случайных эффектов (Ψ), и логарифмическая правдоподобность.
Вот некоторые советы для интерпретации графиков.
Подходящая функция пытается максимизировать логарифмическую правдоподобность. Когда график начинает отображать плоскую линию, эта сила указывают, что максимизация завершена. Попытайтесь установить максимальные итерации на более низкий номер сокращать количество итераций, вы нуждаетесь и улучшаете производительность.
Графики для фиксированных эффектов (thetas) и параметры отклонения (Ψs) должны показать сходимость. Если вы видите колебания или скачки без сопроводительных улучшений логарифмической правдоподобности, модель может быть сверхпараметрирована. Попробуйте следующее:
Сократите количество фиксированных эффектов.
Сократите количество случайных эффектов.
Упростите шаблон ковариационной матрицы случайных эффектов (если вы ранее изменили его из диагональной матрицы по умолчанию).
Рисунок графика прогресса показывает ряд подграфиков, и существует две категории графиков: качественная мера строит и оцененные графики параметра. Для объединенной подгонки, то есть, оценивая один набор значений параметров для всех групп (или индивидуумы), существует только одна линия для каждого графика, и линия исчезается, когда подгонка закончена. Для необъединенной подгонки, то есть, оценивая один набор значений параметров для каждой группы (или индивидуум), каждая линия представляет одного индивидуума или группу. Можно выбрать одну или несколько линий путем перетаскивания курсора мыши, чтобы создать прямоугольник на любом графике. Все линии, которые пересекают прямоугольник, выбраны и подсвечены через все графики.
Можно отключить подбор кривой в любое время путем выбора Stop, и возвращены частичные результаты. А именно, для объединенной подгонки возвращен результат до последней функциональной итерации. Для необъединенной подгонки возвращены результаты для любых групп, которые закончили запускаться. Группы, в настоящее время запускающиеся, прерваны, и частичные результаты последней итерации также возвращены.
Качественные графики меры включают логарифмическую правдоподобность, оптимальность первого порядка и графики условия завершения. Они занимают первую строку фигуры.
Логарифмическая правдоподобность. Метод оценки пытается максимизировать логарифмическую правдоподобность, и график показывает значение логарифмической правдоподобности для каждой функциональной итерации. Когда график начинает отображать плоскую линию, он часто указывает, что максимизация завершена. Попытайтесь установить максимальные итерации на более низкий номер сокращать количество итераций, вы нуждаетесь и улучшаете производительность.
Для объединенной подгонки существует только одна линия в графике, и линия исчезается, когда подгонка заканчивается. График логарифмической правдоподобности показывает, сходится ли подгонка или перестала работать наряду с информацией об условии завершения метода оценки. Следующая фигура является примером графика логарифмической правдоподобности объединенной подгонки.
Оптимальность первого порядка. Оптимальность первого порядка является мерой того, как близко точка x к оптимальному, и график показывают, когда вы используете методы Optimization Toolbox™ (lsqnonlin, lsqcurvefit, fminunc, и fmincon). Мера оптимальности первого порядка должна быть нулем как минимум, но точка с равной нулю оптимальностью первого порядка является не обязательно минимумом. Для получения дополнительной информации смотрите оптимальность Первого порядка (Optimization Toolbox).
Условие завершения. Для объединенной подгонки условие завершения отображено вместе с графиком логарифмической правдоподобности. Для получения дополнительной информации об условии завершения, обратитесь к exitflag описание выходного аргумента соответствующего метода оценки. Предположим, что вы используете lsqnonlin (Optimization Toolbox) метод и видит сообщение: The fit converged with criterion Residual. Путем проверки exitflag условия lsqnonlin (Optimization Toolbox) с ключевым словом Residual, это условие завершения соответствует exitflag значение 3, то есть, изменитесь в невязке, был меньше заданного допуска.
Для необъединенной подгонки график Termination Conditions содержит сводные данные (гистограмма) критериев завершения всех групп (или индивидуумы) как показано на следующем рисунке. y - ось представляет общее количество, соответствует каждому условию завершения и x - ось отображает все критерии завершения.
Гибридные Функции. Если вы выполняете гибридную оптимизацию первым выполнением глобального решателя, такой как ga (Global Optimization Toolbox) или particleswarm (Global Optimization Toolbox), сопровождаемый гибридной функцией, ProgressPlot также показывает качественные графики меры для гибридной функции во второй строке. Следующая фигура является примером, где глобальный алгоритм оптимизации ga (Global Optimization Toolbox) и гибридная функция fminunc (Optimization Toolbox). Для проиллюстрированного примера смотрите Оценку Параметра с Гибридными Решателями.
Этот график отображает значение предполагаемого параметра по сравнению с итерацией для каждой группы. Один предполагаемый график параметра отображен для каждого параметра. Графики запускаются на второй строке фигуры и могут охватить несколько строк. Каждый график отображает горизонтальную пунктирную линию для любой нижней или верхней границы, которую вы задаете для предполагаемого параметра. Связанные линии показывают, только если область значений графика может включать линии.
Для необъединенной подгонки График Прогресса также отображает гистограмму, которая показывает распределение значений параметров для завершенных запусков. Используйте кнопку-переключатель по y - ось для каждого графика переключиться между логарифмической и линейной шкалой. Следующий рисунок показывает пример предполагаемого графика параметра со связанной информацией и распределением ориентировочных стоимостей.
Если вы имеете иерархическую модель и оцениваете параметры для каждой категории, такие как оценка параметров для штекеров по сравнению с розетками, График Прогресса отображает один график на предполагаемый параметр для каждой категории. Например, на следующем рисунке, Central и параметры Peripheral оцениваются для категорий возраста, в то время как Q12 и Cl_Central оцениваются для сексуальных категорий.
Для необъединенного подходящего выполнения параллельно, График Прогресса отображает строку состояния в правом нижнем углу. Панель показывает информацию об остающемся и завершенном количестве индивидуумов (или группы) в подгонке.
sbiofit | sbiofitmixed | sbiofitstatusplot
