Exponenta Banner
exponenta event banner

bestPoint

Лучше всего укажите в Байесовой оптимизации согласно критерию

свернуть все на странице

Синтаксис

x = bestPoint(results)
x = bestPoint(results,Name,Value)
[x,CriterionValue] = bestPoint(___)
[x,CriterionValue,iteration] = bestPoint(___)

Описание

пример

x = bestPoint(results) возвращает лучшую допустимую точку в модели Bayesian results согласно критерию по умолчанию 'min-visited-upper-confidence-interval'.

пример

x = bestPoint(results,Name,Value) изменяет лучшую точку с помощью пар "имя-значение".

пример

[x,CriterionValue] = bestPoint(___), для любого предыдущего синтаксиса, также возвращает значение критерия в x.

пример

[x,CriterionValue,iteration] = bestPoint(___) также возвращает номер итерации, в котором была возвращена лучшая точка. Применяется когда Criterion парой "имя-значение" является 'min-observed', 'min-visited-mean', или 'min-visited-upper-confidence-interval' по умолчанию.

Примеры

свернуть все

Скрипт Open Live Script

В этом примере показано, как получить лучшую точку оптимизированного классификатора.

Оптимизируйте классификатор KNN для ionosphere данные, значение находит параметры, которые минимизируют потерю перекрестной проверки. Минимизируйте свыше размеров самого близкого окружения от 1 до 30, и по функциям расстояния 'chebychev', 'euclidean', и 'minkowski'.

Для воспроизводимости установите случайный seed и установите AcquisitionFunctionName опция к 'expected-improvement-plus'.

load ionosphere
rng(11)
num = optimizableVariable('n',[1,30],'Type','integer');
dst = optimizableVariable('dst',{'chebychev','euclidean','minkowski'},'Type','categorical');
c = cvpartition(351,'Kfold',5);
fun = @(x)kfoldLoss(fitcknn(X,Y,'CVPartition',c,'NumNeighbors',x.n,...
    'Distance',char(x.dst),'NSMethod','exhaustive'));
results = bayesopt(fun,[num,dst],'Verbose',0,...
    'AcquisitionFunctionName','expected-improvement-plus');

Figure contains an axes object. The axes object 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.

Figure contains an axes object. The axes object with title Min objective vs. Number of function evaluations contains 2 objects of type line. These objects represent Min observed objective, Estimated min objective.

Получите лучшую точку согласно 'min-visited-upper-confidence-interval' по умолчанию критерий.

x = bestPoint(results)
x=1×2 table
    n       dst   
    _    _________

    1    chebychev

Самая низкая предполагаемая потеря перекрестной проверки происходит для одного самого близкого соседа и 'chebychev' расстояние.

Тщательное изучение графика модели целевой функции показывает точку с двумя самыми близкими соседями и 'chebychev' расстояние, которое имеет более низкое значение целевой функции. Найдите эту точку с помощью различного критерия.

x = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    2    chebychev

Также найдите минимальное наблюдаемое значение целевой функции и номер итерации, в котором оно наблюдалось.

[x,CriterionValue,iteration] = bestPoint(results,'Criterion','min-observed')
x=1×2 table
    n       dst   
    _    _________

    2    chebychev


CriterionValue = 0.1054

iteration = 21

Входные параметры

свернуть все

Байесовы результаты оптимизации в виде BayesianOptimization объект.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: x = bestPoint(results,'Criterion','min-observed')

Лучше всего укажите критерий в виде разделенной запятой пары, состоящей из 'Criterion' и имя критерия. Имена являются нечувствительными к регистру, не требуйте - символы, и требуют, чтобы только достаточно символов сделало имя, исключительно различимое.

Имя критерияЗначение
'min-observed'x допустимая точка с минимальной наблюдаемой целью.
'min-mean'x допустимая точка, где объективное среднее значение модели минимизировано.
'min-upper-confidence-interval'x допустимая точка, минимизирующая верхний доверительный интервал объективной модели. Смотрите alpha.
'min-visited-mean'x допустимая точка, где объективное среднее значение модели минимизировано среди посещаемых точек.
'min-visited-upper-confidence-interval'x допустимая точка, минимизирующая верхний доверительный интервал объективной модели среди посещаемых точек. Смотрите alpha.

Пример: 'Criterion','min-visited-mean'

Вероятность, что смоделированное объективное среднее значение превышает CriterionValueВ виде разделенной запятой пары, состоящей из 'alpha' и скаляр между 0 и 1\alpha относится к 'min-upper-confidence-interval' и 'min-visited-upper-confidence-interval' Criterion значения. Определением для верхнего доверительного интервала является значение Y где

P (meanQ (funX))> Y) = alpha,

где fun целевая функция, и среднее значение вычисляется относительно апостериорного распределения Q.

Пример: 'alpha',0.05

Типы данных: double

Выходные аргументы

свернуть все

Лучше всего укажите, возвращенный как 1- D таблица, где D является количеством переменных. Значение “лучших” относительно Criterion.

Значение критерия, возвращенного как действительный скаляр. Значение зависит от установки Criterion пара "имя-значение", которая имеет значение по умолчанию 'min-visited-upper-confidence-interval'.

Имя критерияЗначение
'min-observed'Минимальная наблюдаемая цель.
'min-mean'Минимум среднего значения модели.
'min-upper-confidence-interval'Значение Y удовлетворение уравнению P (meanQ (funX)) > Y) = alpha.
'min-visited-mean'Минимум наблюдаемого среднего значения модели.
'min-visited-upper-confidence-interval'Значение Y удовлетворение уравнению P (meanQ (funX)) > Y) = alpha среди наблюдаемых точек.

Номер итерации, в котором наблюдалась лучшая точка, возвратился как положительное целое число. Лучшая точка задана CriterionValue.

Смотрите также

|

Введенный в R2017b

Документация Statistics and Machine Learning Toolbox

Поддержка