Обучите модель классификации нейронных сетей
Использование fitcnet
обучать feedforward, полностью соединенную нейронную сеть для классификации. Первый полносвязный слой нейронной сети имеет связь от сетевого входа (данные о предикторе), и каждый последующий слой имеет связь от предыдущего слоя. Каждый полносвязный слой умножает вход на матрицу веса и затем добавляет вектор смещения. Функция активации следует за каждым полносвязным слоем. Итоговый полносвязный слой и последующая softmax активация функциональный продукт выход сети, а именно, классификационные оценки (апостериорные вероятности) и предсказанные метки. Для получения дополнительной информации смотрите Структуру Нейронной сети.
возвращает модель Mdl
= fitcnet(Tbl
,ResponseVarName
)Mdl
классификации нейронных сетей обученное использование предикторов в таблице
Tbl
и класс помечает в ResponseVarName
табличная переменная.
задает опции с помощью одних или нескольких аргументов name-value в дополнение к любой из комбинаций входных аргументов в предыдущих синтаксисах. Например, можно настроить количество выходных параметров и функций активации для полносвязных слоев путем определения Mdl
= fitcnet(___,Name,Value
)LayerSizes
и Activations
аргументы name-value.
Обучите классификатор нейронной сети и оцените эффективность классификатора на наборе тестов.
Считайте файл примера CreditRating_Historical.dat
в таблицу. Данные о предикторе состоят из финансовых отношений и информации об отрасли промышленности для списка корпоративных клиентов. Переменная отклика состоит из кредитных рейтингов, присвоенных рейтинговым агентством. Предварительно просмотрите первые несколько строк набора данных.
creditrating = readtable("CreditRating_Historical.dat");
head(creditrating)
ans=8×8 table
ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA Industry Rating
_____ ______ ______ _______ ________ _____ ________ _______
62394 0.013 0.104 0.036 0.447 0.142 3 {'BB' }
48608 0.232 0.335 0.062 1.969 0.281 8 {'A' }
42444 0.311 0.367 0.074 1.935 0.366 1 {'A' }
48631 0.194 0.263 0.062 1.017 0.228 4 {'BBB'}
43768 0.121 0.413 0.057 3.647 0.466 12 {'AAA'}
39255 -0.117 -0.799 0.01 0.179 0.082 4 {'CCC'}
62236 0.087 0.158 0.049 0.816 0.324 2 {'BBB'}
39354 0.005 0.181 0.034 2.597 0.388 7 {'AA' }
Поскольку каждое значение в ID
переменная является уникальным идентификатором клиента, то есть, length(unique(creditrating.ID))
равно количеству наблюдений в creditrating
, ID
переменная является плохим предиктором. Удалите ID
переменная из таблицы, и преобразует Industry
переменная к categorical
переменная.
creditrating = removevars(creditrating,"ID");
creditrating.Industry = categorical(creditrating.Industry);
Преобразуйте Rating
переменная отклика к порядковому categorical
переменная.
creditrating.Rating = categorical(creditrating.Rating, ... ["AAA","AA","A","BBB","BB","B","CCC"],"Ordinal",true);
Разделите данные в наборы обучающих данных и наборы тестов. Используйте приблизительно 80% наблюдений, чтобы обучить модель нейронной сети, и 20% наблюдений проверять производительность обученной модели на новых данных. Используйте cvpartition
разделить данные.
rng("default") % For reproducibility of the partition c = cvpartition(creditrating.Rating,"Holdout",0.20); trainingIndices = training(c); % Indices for the training set testIndices = test(c); % Indices for the test set creditTrain = creditrating(trainingIndices,:); creditTest = creditrating(testIndices,:);
Обучите классификатор нейронной сети путем передачи обучающих данных creditTrain
к fitcnet
функция.
Mdl = fitcnet(creditTrain,"Rating")
Mdl = ClassificationNeuralNetwork PredictorNames: {'WC_TA' 'RE_TA' 'EBIT_TA' 'MVE_BVTD' 'S_TA' 'Industry'} ResponseName: 'Rating' CategoricalPredictors: 6 ClassNames: [AAA AA A BBB BB B CCC] ScoreTransform: 'none' NumObservations: 3146 LayerSizes: 10 Activations: 'relu' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [1000×7 table] Properties, Methods
Mdl
обученный ClassificationNeuralNetwork
классификатор. Можно использовать запись через точку, чтобы получить доступ к свойствам Mdl
. Например, можно задать Mdl.TrainingHistory
получить больше информации об учебной истории модели нейронной сети.
Оцените эффективность классификатора на наборе тестов путем вычисления ошибки классификации наборов тестов. Визуализируйте результаты при помощи матрицы беспорядка.
testAccuracy = 1 - loss(Mdl,creditTest,"Rating", ... "LossFun","classiferror")
testAccuracy = 0.8003
confusionchart(creditTest.Rating,predict(Mdl,creditTest))
Задайте структуру классификатора нейронной сети, включая размер полносвязных слоев.
Загрузите ionosphere
набор данных, который включает радарные данные сигнала. X
содержит данные о предикторе и Y
переменная отклика, значения которой представляют или хороший ("g") или плохие ("b") радарные сигналы.
load ionosphere
Разделите данные на обучающие данные (XTrain
и YTrain
) и тестовые данные (XTest
и YTest
) при помощи стратифицированного раздела затяжки. Зарезервируйте приблизительно 30% наблюдений для тестирования и используйте остальную часть наблюдений для обучения.
rng("default") % For reproducibility of the partition cvp = cvpartition(Y,"Holdout",0.3); XTrain = X(training(cvp),:); YTrain = Y(training(cvp)); XTest = X(test(cvp),:); YTest = Y(test(cvp));
Обучите классификатор нейронной сети. Задайте, чтобы иметь 35 выходных параметров в первом полносвязном слое и 20 выходных параметров во втором полносвязном слое. По умолчанию оба слоя используют исправленный линейный модуль (ReLU) функция активации. Можно изменить функции активации для полносвязных слоев при помощи Activations
аргумент значения имени.
Mdl = fitcnet(XTrain,YTrain, ... "LayerSizes",[35 20])
Mdl = ClassificationNeuralNetwork ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 246 LayerSizes: [35 20] Activations: 'relu' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [47×7 table] Properties, Methods
Доступ к весам и смещениям для полносвязных слоев обученного классификатора при помощи LayerWeights
и LayerBiases
свойства Mdl
. Первые два элемента каждого свойства соответствуют значениям для первых двух полносвязных слоев, и третий элемент соответствует значениям для итогового полносвязного слоя с softmax функцией активации для классификации. Например, отобразите веса и смещения для второго полносвязного слоя.
Mdl.LayerWeights{2}
ans = 20×35
0.0481 0.2501 -0.1535 -0.0934 0.0760 -0.0579 -0.2465 1.0411 0.3712 -1.2007 1.1162 0.4296 0.4045 0.5005 0.8839 0.4624 -0.3154 0.3454 -0.0487 0.2648 0.0732 0.5773 0.4286 0.0881 0.9468 0.2981 0.5534 1.0518 -0.0224 0.6894 0.5527 0.7045 -0.6124 0.2145 -0.0790
-0.9489 -1.8343 0.5510 -0.5751 -0.8726 0.8815 0.0203 -1.6379 2.0315 1.7599 -1.4153 -1.4335 -1.1638 -0.1715 1.1439 -0.7661 1.1230 -1.1982 -0.5409 -0.5821 -0.0627 -0.7038 -0.0817 -1.5773 -1.4671 0.2053 -0.7931 -1.6201 -0.1737 -0.7762 -0.3063 -0.8771 1.5134 -0.4611 -0.0649
-0.1910 0.0246 -0.3511 0.0097 0.3160 -0.0693 0.2270 -0.0783 -0.1626 -0.3478 0.2765 0.4179 0.0727 -0.0314 -0.1798 -0.0583 0.1375 -0.1876 0.2518 0.2137 0.1497 0.0395 0.2859 -0.0905 0.4325 -0.2012 0.0388 -0.1441 -0.1431 -0.0249 -0.2200 0.0860 -0.2076 0.0132 0.1737
-0.0415 -0.0059 -0.0753 -0.1477 -0.1621 -0.1762 0.2164 0.1710 -0.0610 -0.1402 0.1452 0.2890 0.2872 -0.2616 -0.4204 -0.2831 -0.1901 0.0036 0.0781 -0.0826 0.1588 -0.2782 0.2510 -0.1069 -0.2692 0.2306 0.2521 0.0306 0.2524 -0.4218 0.2478 0.2343 -0.1031 0.1037 0.1598
1.1848 1.6142 -0.1352 0.5774 0.5491 0.0103 0.0209 0.7219 -0.8643 -0.5578 1.3595 1.5385 1.0015 0.7416 -0.4342 0.2279 0.5667 1.1589 0.7100 0.1823 0.4171 0.7051 0.0794 1.3267 1.2659 0.3197 0.3947 0.3436 -0.1415 0.6607 1.0071 0.7726 -0.2840 0.8801 0.0848
0.2486 -0.2920 -0.0004 0.2806 0.2987 -0.2709 0.1473 -0.2580 -0.0499 -0.0755 0.2000 0.1535 -0.0285 -0.0520 -0.2523 -0.2505 -0.0437 -0.2323 0.2023 0.2061 -0.1365 0.0744 0.0344 -0.2891 0.2341 -0.1556 0.1459 0.2533 -0.0583 0.0243 -0.2949 -0.1530 0.1546 -0.0340 -0.1562
-0.0516 0.0640 0.1824 -0.0675 -0.2065 -0.0052 -0.1682 -0.1520 0.0060 0.0450 0.0813 -0.0234 0.0657 0.3219 -0.1871 0.0658 -0.2103 0.0060 -0.2831 -0.1811 -0.0988 0.2378 -0.0761 0.1714 -0.1596 -0.0011 0.0609 0.4003 0.3687 -0.2879 0.0910 0.0604 -0.2222 -0.2735 -0.1155
-0.6192 -0.7804 -0.0506 -0.4205 -0.2584 -0.2020 -0.0008 0.0534 1.0185 -0.0307 -0.0539 -0.2020 0.0368 -0.1847 0.0886 -0.4086 -0.4648 -0.3785 0.1542 -0.5176 -0.3207 0.1893 -0.0313 -0.5297 -0.1261 -0.2749 -0.6152 -0.5914 -0.3089 0.2432 -0.3955 -0.1711 0.1710 -0.4477 0.0718
0.5049 -0.1362 -0.2218 0.1637 -0.1282 -0.1008 0.1445 0.4527 -0.4887 0.0503 0.1453 0.1316 -0.3311 -0.1081 -0.7699 0.4062 -0.1105 -0.0855 0.0630 -0.1469 -0.2533 0.3976 0.0418 0.5294 0.3982 0.1027 -0.0973 -0.1282 0.2491 0.0425 0.0533 0.1578 -0.8403 -0.0535 -0.0048
1.1109 -0.0466 0.4044 0.6366 0.1863 0.5660 0.2839 0.8793 -0.5497 0.0057 0.3468 0.0980 0.3364 0.4669 0.1466 0.7883 -0.1743 0.4444 0.4535 0.1521 0.7476 0.2246 0.4473 0.2829 0.8881 0.4666 0.6334 0.3105 0.9571 0.2808 0.6483 0.1180 -0.4558 1.2486 0.2453
⋮
Mdl.LayerBiases{2}
ans = 20×1
0.6147
0.1891
-0.2767
-0.2977
1.3655
0.0347
0.1509
-0.4839
-0.3960
0.9248
⋮
Итоговый полносвязный слой имеет два выходных параметров, один для каждого класса в переменной отклика. Количество слоя выходные параметры соответствует первой размерности весов слоя и смещений слоя.
size(Mdl.LayerWeights{end})
ans = 1×2
2 20
size(Mdl.LayerBiases{end})
ans = 1×2
2 1
Чтобы оценить эффективность обученного классификатора, вычислите ошибку классификации наборов тестов для Mdl
.
testError = loss(Mdl,XTest,YTest, ... "LossFun","classiferror")
testError = 0.0774
accuracy = 1 - testError
accuracy = 0.9226
Mdl
точно классифицирует приблизительно 92% наблюдений в наборе тестов.
В каждой итерации учебного процесса вычислите потерю валидации нейронной сети. Остановите учебный процесс рано, если потеря валидации достигает разумного минимума.
Загрузите patients
набор данных. Составьте таблицу от набора данных. Каждая строка соответствует одному пациенту, и каждый столбец соответствует диагностической переменной. Используйте Smoker
переменная как переменная отклика и остальная часть переменных как предикторы.
load patients
tbl = table(Diastolic,Systolic,Gender,Height,Weight,Age,Smoker);
Разделите данные на набор обучающих данных tblTrain
и валидация установила tblValidation
при помощи стратифицированного раздела затяжки. Программное обеспечение резервирует приблизительно 30% наблюдений для набора данных валидации и использует остальную часть наблюдений для обучающего набора данных.
rng("default") % For reproducibility of the partition c = cvpartition(tbl.Smoker,"Holdout",0.30); trainingIndices = training(c); validationIndices = test(c); tblTrain = tbl(trainingIndices,:); tblValidation = tbl(validationIndices,:);
Обучите классификатор нейронной сети при помощи набора обучающих данных. Задайте Smoker
столбец tblTrain
как переменная отклика. Оцените модель в каждой итерации при помощи набора валидации. Задайте, чтобы отобразить учебную информацию в каждой итерации при помощи Verbose
аргумент значения имени. По умолчанию учебный процесс заканчивается рано, если потеря перекрестной энтропии валидации больше или равна минимальной потере перекрестной энтропии валидации, вычисленной до сих пор, шесть раз подряд. Чтобы изменить число раз, потере валидации позволяют быть больше или быть равной минимуму, задать ValidationPatience
аргумент значения имени.
Mdl = fitcnet(tblTrain,"Smoker", ... "ValidationData",tblValidation, ... "Verbose",1);
|==========================================================================================| | Iteration | Train Loss | Gradient | Step | Iteration | Validation | Validation | | | | | | Time (sec) | Loss | Checks | |==========================================================================================| | 1| 2.602935| 26.866935| 0.262009| 0.001800| 2.793048| 0| | 2| 1.470816| 42.594723| 0.058323| 0.001460| 1.247046| 0| | 3| 1.299292| 25.854432| 0.034910| 0.000456| 1.507857| 1| | 4| 0.710465| 11.629107| 0.013616| 0.000617| 0.889157| 0| | 5| 0.647783| 2.561740| 0.005753| 0.000957| 0.766728| 0| | 6| 0.645541| 0.681579| 0.001000| 0.000706| 0.776072| 1| | 7| 0.639611| 1.544692| 0.007013| 0.005517| 0.776320| 2| | 8| 0.604189| 5.045676| 0.064190| 0.000534| 0.744919| 0| | 9| 0.565364| 5.851552| 0.068845| 0.000504| 0.694226| 0| | 10| 0.391994| 8.377717| 0.560480| 0.000370| 0.425466| 0| |==========================================================================================| | Iteration | Train Loss | Gradient | Step | Iteration | Validation | Validation | | | | | | Time (sec) | Loss | Checks | |==========================================================================================| | 11| 0.383843| 0.630246| 0.110270| 0.000749| 0.428487| 1| | 12| 0.369289| 2.404750| 0.084395| 0.000531| 0.405728| 0| | 13| 0.357839| 6.220679| 0.199197| 0.000353| 0.378480| 0| | 14| 0.344974| 2.752717| 0.029013| 0.000330| 0.367279| 0| | 15| 0.333747| 0.711398| 0.074513| 0.000328| 0.348499| 0| | 16| 0.327763| 0.804818| 0.122178| 0.000348| 0.330237| 0| | 17| 0.327702| 0.778169| 0.009810| 0.000365| 0.329095| 0| | 18| 0.327277| 0.020615| 0.004377| 0.000380| 0.329141| 1| | 19| 0.327273| 0.010018| 0.003313| 0.000432| 0.328773| 0| | 20| 0.327268| 0.019497| 0.000805| 0.000776| 0.328831| 1| |==========================================================================================| | Iteration | Train Loss | Gradient | Step | Iteration | Validation | Validation | | | | | | Time (sec) | Loss | Checks | |==========================================================================================| | 21| 0.327228| 0.113983| 0.005397| 0.000509| 0.329085| 2| | 22| 0.327138| 0.240166| 0.012159| 0.000333| 0.329406| 3| | 23| 0.326865| 0.428912| 0.036841| 0.000381| 0.329952| 4| | 24| 0.325797| 0.255227| 0.139585| 0.000339| 0.331246| 5| | 25| 0.325181| 0.758050| 0.135868| 0.000890| 0.332035| 6| |==========================================================================================|
Создайте график, который сравнивает учебную потерю перекрестной энтропии и потерю перекрестной энтропии валидации в каждой итерации. По умолчанию, fitcnet
хранит информацию потери в TrainingHistory
свойство объекта Mdl
. Можно получить доступ к этой информации при помощи записи через точку.
iteration = Mdl.TrainingHistory.Iteration; trainLosses = Mdl.TrainingHistory.TrainingLoss; valLosses = Mdl.TrainingHistory.ValidationLoss; plot(iteration,trainLosses,iteration,valLosses) legend(["Training","Validation"]) xlabel("Iteration") ylabel("Cross-Entropy Loss")
Проверяйте итерацию, которая соответствует минимальной потере валидации. Финал возвратил модель Mdl
модель, обученная в этой итерации.
[~,minIdx] = min(valLosses); iteration(minIdx)
ans = 19
Оцените потерю перекрестной проверки моделей нейронной сети с различными сильными местами регуляризации и выберите силу регуляризации, соответствующую лучшей модели выполнения.
Считайте файл примера CreditRating_Historical.dat
в таблицу. Данные о предикторе состоят из финансовых отношений и информации об отрасли промышленности для списка корпоративных клиентов. Переменная отклика состоит из кредитных рейтингов, присвоенных рейтинговым агентством. Предварительно просмотрите первые несколько строк набора данных.
creditrating = readtable("CreditRating_Historical.dat");
head(creditrating)
ans=8×8 table
ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA Industry Rating
_____ ______ ______ _______ ________ _____ ________ _______
62394 0.013 0.104 0.036 0.447 0.142 3 {'BB' }
48608 0.232 0.335 0.062 1.969 0.281 8 {'A' }
42444 0.311 0.367 0.074 1.935 0.366 1 {'A' }
48631 0.194 0.263 0.062 1.017 0.228 4 {'BBB'}
43768 0.121 0.413 0.057 3.647 0.466 12 {'AAA'}
39255 -0.117 -0.799 0.01 0.179 0.082 4 {'CCC'}
62236 0.087 0.158 0.049 0.816 0.324 2 {'BBB'}
39354 0.005 0.181 0.034 2.597 0.388 7 {'AA' }
Поскольку каждое значение в ID
переменная является уникальным идентификатором клиента, то есть, length(unique(creditrating.ID))
равно количеству наблюдений в creditrating
, ID
переменная является плохим предиктором. Удалите ID
переменная из таблицы, и преобразует Industry
переменная к categorical
переменная.
creditrating = removevars(creditrating,"ID");
creditrating.Industry = categorical(creditrating.Industry);
Преобразуйте Rating
переменная отклика к порядковому categorical
переменная.
creditrating.Rating = categorical(creditrating.Rating, ... ["AAA","AA","A","BBB","BB","B","CCC"],"Ordinal",true);
Создайте cvpartition
объект для стратифицированной 5-кратной перекрестной проверки. cvp
делит данные в пять сгибов, где каждый сгиб имеет примерно те же пропорции различных кредитных рейтингов. Установите случайный seed на значение по умолчанию для воспроизводимости раздела.
rng("default") cvp = cvpartition(creditrating.Rating,"KFold",5);
Вычислите ошибку классификации перекрестных проверок для классификаторов нейронной сети с различными сильными местами регуляризации. Попробуйте сильные места регуляризации порядка 1/n, где n является количеством наблюдений. Задайте, чтобы стандартизировать данные перед обучением модели нейронной сети.
1/size(creditrating,1)
ans = 2.5432e-04
lambda = (0:0.5:5)*1e-4; cvloss = zeros(length(lambda),1); for i = 1:length(lambda) cvMdl = fitcnet(creditrating,"Rating","Lambda",lambda(i), ... "CVPartition",cvp,"Standardize",true); cvloss(i) = kfoldLoss(cvMdl,"LossFun","classiferror"); end
Постройте график результатов. Найдите силу регуляризации, соответствующую самой низкой ошибке классификации перекрестных проверок.
plot(lambda,cvloss) xlabel("Regularization Strength") ylabel("Cross-Validation Loss")
[~,idx] = min(cvloss); bestLambda = lambda(idx)
bestLambda = 5.0000e-05
Обучите классификатор нейронной сети с помощью bestLambda
сила регуляризации.
Mdl = fitcnet(creditrating,"Rating","Lambda",bestLambda, ... "Standardize",true)
Mdl = ClassificationNeuralNetwork PredictorNames: {'WC_TA' 'RE_TA' 'EBIT_TA' 'MVE_BVTD' 'S_TA' 'Industry'} ResponseName: 'Rating' CategoricalPredictors: 6 ClassNames: [AAA AA A BBB BB B CCC] ScoreTransform: 'none' NumObservations: 3932 LayerSizes: 10 Activations: 'relu' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [1000×7 table] Properties, Methods
OptimizeHyperparameters
Обучите классификатор нейронной сети с помощью OptimizeHyperparameters
аргумент, чтобы улучшить получившийся классификатор. Используя этот аргумент вызывает fitcnet
минимизировать потерю перекрестной проверки по некоторым проблемным гиперпараметрам с помощью Байесовой оптимизации.
Считайте файл примера CreditRating_Historical.dat
в таблицу. Данные о предикторе состоят из финансовых отношений и информации об отрасли промышленности для списка корпоративных клиентов. Переменная отклика состоит из кредитных рейтингов, присвоенных рейтинговым агентством. Предварительно просмотрите первые несколько строк набора данных.
creditrating = readtable("CreditRating_Historical.dat");
head(creditrating)
ans=8×8 table
ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA Industry Rating
_____ ______ ______ _______ ________ _____ ________ _______
62394 0.013 0.104 0.036 0.447 0.142 3 {'BB' }
48608 0.232 0.335 0.062 1.969 0.281 8 {'A' }
42444 0.311 0.367 0.074 1.935 0.366 1 {'A' }
48631 0.194 0.263 0.062 1.017 0.228 4 {'BBB'}
43768 0.121 0.413 0.057 3.647 0.466 12 {'AAA'}
39255 -0.117 -0.799 0.01 0.179 0.082 4 {'CCC'}
62236 0.087 0.158 0.049 0.816 0.324 2 {'BBB'}
39354 0.005 0.181 0.034 2.597 0.388 7 {'AA' }
Поскольку каждое значение в ID
переменная является уникальным идентификатором клиента, то есть, length(unique(creditrating.ID))
равно количеству наблюдений в creditrating
, ID
переменная является плохим предиктором. Удалите ID
переменная из таблицы, и преобразует Industry
переменная к categorical
переменная.
creditrating = removevars(creditrating,"ID");
creditrating.Industry = categorical(creditrating.Industry);
Преобразуйте Rating
переменная отклика к порядковому categorical
переменная.
creditrating.Rating = categorical(creditrating.Rating, ... ["AAA","AA","A","BBB","BB","B","CCC"],"Ordinal",true);
Разделите данные в наборы обучающих данных и наборы тестов. Используйте приблизительно 80% наблюдений, чтобы обучить модель нейронной сети, и 20% наблюдений проверять производительность обученной модели на новых данных. Используйте cvpartition
разделить данные.
rng("default") % For reproducibility of the partition c = cvpartition(creditrating.Rating,"Holdout",0.20); trainingIndices = training(c); % Indices for the training set testIndices = test(c); % Indices for the test set creditTrain = creditrating(trainingIndices,:); creditTest = creditrating(testIndices,:);
Обучите классификатор нейронной сети путем передачи обучающих данных creditTrain
к fitcnet
функция, и включает OptimizeHyperparameters
аргумент. Для воспроизводимости установите AcquisitionFunctionName
к "expected-improvement-plus"
в HyperparameterOptimizationOptions
структура. Чтобы попытаться получить лучшее решение, определите номер шагов оптимизации к 100 вместо значения по умолчанию 30. fitcnet
выполняет Байесовую оптимизацию по умолчанию. Чтобы использовать поиск сетки или случайный поиск, установите Optimizer
поле в HyperparameterOptimizationOptions
.
rng("default") % For reproducibility Mdl = fitcnet(creditTrain,"Rating","OptimizeHyperparameters","auto", ... "HyperparameterOptimizationOptions", ... struct("AcquisitionFunctionName","expected-improvement-plus", ... "MaxObjectiveEvaluations",100))
|============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 1 | Best | 0.55944 | 4.4429 | 0.55944 | 0.55944 | none | true | 0.05834 | 3 | | 2 | Best | 0.21329 | 18.59 | 0.21329 | 0.22705 | relu | true | 5.0811e-08 | [ 1 25] | | 3 | Accept | 0.74189 | 0.82112 | 0.21329 | 0.21335 | sigmoid | true | 0.57986 | 126 | | 4 | Accept | 0.4501 | 1.0542 | 0.21329 | 0.21351 | tanh | false | 0.018683 | 10 | | 5 | Accept | 0.23045 | 63.554 | 0.21329 | 0.21579 | relu | true | 4.6536e-09 | [ 1 229 3] | | 6 | Accept | 0.74189 | 0.78256 | 0.21329 | 0.21781 | relu | true | 6.1298 | 294 | | 7 | Accept | 0.74189 | 0.3333 | 0.21329 | 0.21338 | relu | true | 27.304 | [ 1 3] | | 8 | Accept | 0.2651 | 16.999 | 0.21329 | 0.21358 | relu | true | 8.0246e-07 | [ 37 2] | | 9 | Accept | 0.22759 | 19.265 | 0.21329 | 0.21361 | tanh | false | 3.1805e-09 | [ 15 1] | | 10 | Accept | 0.23713 | 19.309 | 0.21329 | 0.21358 | tanh | false | 2.5491e-07 | [ 23 2] | | 11 | Accept | 0.21774 | 95.59 | 0.21329 | 0.21368 | tanh | false | 7.5659e-09 | [ 3 20 285] | | 12 | Accept | 0.27813 | 40.925 | 0.21329 | 0.21365 | relu | false | 3.3558e-09 | 140 | | 13 | Accept | 0.21805 | 56.019 | 0.21329 | 0.21368 | relu | false | 0.00012665 | [ 2 208 22] | | 14 | Accept | 0.74189 | 0.38445 | 0.21329 | 0.21346 | relu | false | 0.96119 | [ 39 119 4] | | 15 | Accept | 0.26414 | 15.215 | 0.21329 | 0.21339 | relu | false | 2.023e-06 | [ 26 17] | | 16 | Accept | 0.29593 | 47.519 | 0.21329 | 0.21339 | tanh | true | 3.3214e-09 | [300 127] | | 17 | Accept | 0.28798 | 84.109 | 0.21329 | 0.21339 | tanh | true | 3.101e-05 | [ 64 165] | | 18 | Accept | 0.74189 | 0.56853 | 0.21329 | 0.21338 | tanh | true | 1.2557 | [153 94] | | 19 | Accept | 0.22982 | 83.717 | 0.21329 | 0.2134 | tanh | true | 4.427e-07 | [ 5 4 292] | | 20 | Accept | 0.22505 | 51.26 | 0.21329 | 0.2134 | sigmoid | false | 3.189e-09 | [ 7 162] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 21 | Accept | 0.21456 | 60.938 | 0.21329 | 0.21341 | sigmoid | false | 2.5984e-06 | [ 3 224] | | 22 | Accept | 0.7136 | 0.44787 | 0.21329 | 0.21337 | sigmoid | false | 0.015582 | 6 | | 23 | Accept | 0.27146 | 42.77 | 0.21329 | 0.21335 | sigmoid | false | 1.2532e-07 | 123 | | 24 | Accept | 0.22028 | 48.545 | 0.21329 | 0.21333 | none | false | 3.2499e-09 | [ 30 146] | | 25 | Accept | 0.21329 | 13.21 | 0.21329 | 0.2133 | none | false | 6.8052e-07 | [ 8 2] | | 26 | Accept | 0.21424 | 13.527 | 0.21329 | 0.21328 | none | false | 0.00082724 | [ 1 7 225] | | 27 | Accept | 0.74189 | 0.30095 | 0.21329 | 0.21328 | none | false | 2.7706 | [ 2 201] | | 28 | Accept | 0.21551 | 24.077 | 0.21329 | 0.21331 | none | false | 4.2331e-05 | [ 1 19 52] | | 29 | Accept | 0.2206 | 53.353 | 0.21329 | 0.21334 | none | false | 4.2518e-08 | 266 | | 30 | Accept | 0.21996 | 6.5484 | 0.21329 | 0.21334 | none | true | 3.3059e-09 | 13 | | 31 | Accept | 0.21551 | 17.833 | 0.21329 | 0.21334 | none | true | 2.6343e-07 | [ 3 19 3] | | 32 | Accept | 0.28576 | 81.849 | 0.21329 | 0.21334 | sigmoid | true | 3.1878e-09 | [ 16 294] | | 33 | Accept | 0.2206 | 5.8928 | 0.21329 | 0.21334 | none | true | 3.3018e-08 | 28 | | 34 | Accept | 0.21488 | 71.221 | 0.21329 | 0.21334 | sigmoid | true | 7.9762e-07 | [ 1 5 286] | | 35 | Accept | 0.31564 | 24.922 | 0.21329 | 0.21334 | sigmoid | true | 1.1735e-07 | [ 51 8] | | 36 | Accept | 0.21678 | 48.21 | 0.21329 | 0.21332 | none | true | 2.1257e-08 | [ 4 27 210] | | 37 | Accept | 0.21742 | 59.952 | 0.21329 | 0.21332 | sigmoid | true | 1.8694e-05 | [ 3 235] | | 38 | Accept | 0.22092 | 29.291 | 0.21329 | 0.21332 | none | true | 1.3405e-05 | [ 7 77 8] | | 39 | Accept | 0.74189 | 0.31529 | 0.21329 | 0.21332 | tanh | false | 31.775 | [ 4 8] | | 40 | Accept | 0.27082 | 149.94 | 0.21329 | 0.21332 | tanh | false | 3.6794e-05 | [219 240] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 41 | Accept | 0.21678 | 20.465 | 0.21329 | 0.21334 | sigmoid | true | 3.81e-06 | [ 2 16 25] | | 42 | Accept | 0.22155 | 9.4112 | 0.21329 | 0.20714 | none | false | 0.00019388 | 285 | | 43 | Accept | 0.21742 | 25.778 | 0.21329 | 0.20712 | none | true | 2.1217e-06 | [ 87 3] | | 44 | Accept | 0.21488 | 60.391 | 0.21329 | 0.20711 | relu | false | 3.3101e-05 | [ 1 5 257] | | 45 | Accept | 0.21488 | 13.197 | 0.21329 | 0.21329 | none | false | 4.5453e-06 | [ 1 3] | | 46 | Accept | 0.21488 | 10.038 | 0.21329 | 0.20777 | none | false | 3.4008e-08 | [ 1 5] | | 47 | Accept | 0.21488 | 12.93 | 0.21329 | 0.20775 | sigmoid | false | 1.006e-05 | [ 1 3] | | 48 | Accept | 0.21996 | 6.8334 | 0.21329 | 0.21332 | sigmoid | true | 3.829e-06 | 2 | | 49 | Accept | 0.22155 | 126.94 | 0.21329 | 0.21332 | sigmoid | true | 0.00015279 | [133 92 283] | | 50 | Best | 0.21202 | 48.253 | 0.21202 | 0.21206 | relu | true | 0.00020411 | [ 1 158 39] | | 51 | Accept | 0.29053 | 140.77 | 0.21202 | 0.2122 | relu | true | 4.8947e-05 | [ 14 259 264] | | 52 | Accept | 0.24666 | 46.379 | 0.21202 | 0.21236 | relu | true | 0.0017423 | [ 96 60] | | 53 | Accept | 0.2314 | 132.63 | 0.21202 | 0.21238 | relu | true | 0.0004174 | [237 295] | | 54 | Accept | 0.36968 | 1.3587 | 0.21202 | 0.20862 | relu | true | 0.00058355 | 1 | | 55 | Accept | 0.22791 | 38.591 | 0.21202 | 0.21217 | sigmoid | true | 2.537e-05 | [ 63 1 23] | | 56 | Accept | 0.22314 | 50.941 | 0.21202 | 0.21218 | sigmoid | false | 1.9802e-06 | [ 10 1 174] | | 57 | Accept | 0.22505 | 10.489 | 0.21202 | 0.21384 | tanh | true | 4.2741e-07 | 5 | | 58 | Accept | 0.21488 | 135.54 | 0.21202 | 0.21234 | none | false | 2.1727e-07 | [234 300 1] | | 59 | Accept | 0.42912 | 35.118 | 0.21202 | 0.2116 | relu | true | 0.0010189 | [ 2 271 4] | | 60 | Accept | 0.31818 | 59.012 | 0.21202 | 0.21147 | relu | true | 3.179e-09 | 281 | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 61 | Accept | 0.21678 | 42.051 | 0.21202 | 0.21143 | sigmoid | false | 4.8212e-07 | [ 1 2 110] | | 62 | Accept | 0.21583 | 53.945 | 0.21202 | 0.21134 | none | false | 2.0278e-05 | [298 2] | | 63 | Accept | 0.2136 | 8.4188 | 0.21202 | 0.20979 | none | true | 1.0782e-06 | 1 | | 64 | Accept | 0.2171 | 43.599 | 0.21202 | 0.21116 | none | false | 4.6304e-05 | [268 4] | | 65 | Accept | 0.21488 | 48.532 | 0.21202 | 0.21111 | none | true | 2.743e-07 | [297 2] | | 66 | Accept | 0.21901 | 6.22 | 0.21202 | 0.21064 | none | false | 8.4149e-05 | [ 1 42] | | 67 | Accept | 0.32517 | 31.934 | 0.21202 | 0.21055 | sigmoid | true | 3.2658e-05 | [ 1 1 131] | | 68 | Accept | 0.26891 | 63.64 | 0.21202 | 0.2105 | sigmoid | true | 5.5718e-06 | 287 | | 69 | Accept | 0.22664 | 65.645 | 0.21202 | 0.21063 | tanh | false | 2.4001e-08 | [276 2] | | 70 | Accept | 0.21488 | 17.145 | 0.21202 | 0.21209 | none | true | 2.6613e-07 | [ 1 89 2] | | 71 | Accept | 0.31119 | 183.97 | 0.21202 | 0.21325 | sigmoid | true | 6.9584e-09 | [283 219 251] | | 72 | Accept | 0.26669 | 69.335 | 0.21202 | 0.21209 | relu | false | 4.3556e-05 | [296 56] | | 73 | Accept | 0.26478 | 41.246 | 0.21202 | 0.21239 | relu | false | 7.2907e-07 | [163 13 30] | | 74 | Accept | 0.21202 | 38.512 | 0.21202 | 0.21205 | relu | true | 9.7142e-06 | [ 1 206] | | 75 | Accept | 0.21392 | 12.254 | 0.21202 | 0.21202 | sigmoid | true | 6.7548e-06 | [ 1 18 4] | | 76 | Accept | 0.22123 | 70.416 | 0.21202 | 0.21311 | none | false | 9.381e-06 | [ 21 299 96] | | 77 | Accept | 0.21774 | 8.8834 | 0.21202 | 0.21268 | none | false | 3.2274e-09 | 3 | | 78 | Accept | 0.21488 | 26.186 | 0.21202 | 0.21358 | none | true | 4.9871e-07 | [ 1 269] | | 79 | Accept | 0.22155 | 7.719 | 0.21202 | 0.21364 | sigmoid | false | 1.0684e-06 | 1 | | 80 | Accept | 0.28798 | 127.45 | 0.21202 | 0.21359 | tanh | true | 5.792e-07 | [298 179] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 81 | Accept | 0.21869 | 42.326 | 0.21202 | 0.21396 | none | true | 3.2482e-09 | [292 4 30] | | 82 | Accept | 0.21456 | 4.5781 | 0.21202 | 0.21398 | none | false | 1.0932e-07 | 1 | | 83 | Accept | 0.21456 | 56.88 | 0.21202 | 0.21401 | tanh | false | 4.2509e-08 | [ 1 245] | | 84 | Accept | 0.21424 | 13.453 | 0.21202 | 0.21405 | sigmoid | false | 3.2874e-09 | [ 1 26] | | 85 | Accept | 0.21678 | 10.635 | 0.21202 | 0.21404 | tanh | true | 4.1779e-08 | [ 1 8] | | 86 | Accept | 0.22028 | 47.716 | 0.21202 | 0.212 | none | true | 1.1854e-06 | [295 32] | | 87 | Accept | 0.21742 | 33.925 | 0.21202 | 0.212 | relu | false | 3.9749e-08 | [ 1 153] | | 88 | Accept | 0.21392 | 36.047 | 0.21202 | 0.21424 | tanh | false | 9.5415e-06 | [ 1 103] | | 89 | Accept | 0.21233 | 16.3 | 0.21202 | 0.21423 | tanh | false | 1.0503e-06 | [ 1 17 2] | | 90 | Accept | 0.23299 | 9.2509 | 0.21202 | 0.21427 | relu | false | 1.3237e-05 | 1 | | 91 | Accept | 0.21488 | 3.4455 | 0.21202 | 0.212 | none | true | 3.546e-09 | [ 1 110] | | 92 | Accept | 0.21742 | 10.494 | 0.21202 | 0.21431 | relu | true | 5.6941e-05 | [ 1 29] | | 93 | Accept | 0.21647 | 9.7543 | 0.21202 | 0.21431 | tanh | true | 1.895e-06 | [ 1 4] | | 94 | Accept | 0.21456 | 33.436 | 0.21202 | 0.21431 | relu | true | 6.2404e-07 | [ 1 160] | | 95 | Accept | 0.21901 | 2.8367 | 0.21202 | 0.21433 | none | false | 0.00013257 | [ 1 1] | | 96 | Accept | 0.21424 | 35.446 | 0.21202 | 0.21182 | sigmoid | false | 2.1124e-08 | [ 1 131] | | 97 | Accept | 0.21742 | 13.191 | 0.21202 | 0.2143 | relu | true | 1.0947e-05 | [ 2 13 15] | | 98 | Best | 0.2117 | 8.2787 | 0.2117 | 0.21427 | tanh | true | 3.183e-09 | 1 | | 99 | Accept | 0.54895 | 4.6185 | 0.2117 | 0.21009 | relu | false | 3.3662e-09 | [ 1 4] | | 100 | Accept | 0.27972 | 49.201 | 0.2117 | 0.2128 | relu | false | 3.7247e-08 | [239 20] |
__________________________________________________________ Optimization completed. MaxObjectiveEvaluations of 100 reached. Total function evaluations: 100 Total elapsed time: 3855.2145 seconds Total objective function evaluation time: 3767.578 Best observed feasible point: Activations Standardize Lambda LayerSizes ___________ ___________ _________ __________ tanh true 3.183e-09 1 Observed objective function value = 0.2117 Estimated objective function value = 0.25267 Function evaluation time = 8.2787 Best estimated feasible point (according to models): Activations Standardize Lambda LayerSizes ___________ ___________ __________ _____________ none false 4.2331e-05 1 19 52 Estimated objective function value = 0.2128 Estimated function evaluation time = 23.627
Mdl = ClassificationNeuralNetwork PredictorNames: {'WC_TA' 'RE_TA' 'EBIT_TA' 'MVE_BVTD' 'S_TA' 'Industry'} ResponseName: 'Rating' CategoricalPredictors: 6 ClassNames: [AAA AA A BBB BB B CCC] ScoreTransform: 'none' NumObservations: 3146 HyperparameterOptimizationResults: [1×1 BayesianOptimization] LayerSizes: [1 19 52] Activations: 'none' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [753×7 table] Properties, Methods
Mdl
обученный ClassificationNeuralNetwork
классификатор. Модель соответствует лучшей предполагаемой допустимой точке, в противоположность лучшей наблюдаемой допустимой точке. (Для получения дополнительной информации на этом различии, смотрите bestPoint
.) Можно использовать запись через точку, чтобы получить доступ к свойствам Mdl
. Например, можно задать Mdl.HyperparameterOptimizationResults
получить больше информации об оптимизации модели нейронной сети.
Найдите точность классификации модели на наборе тестовых данных. Визуализируйте результаты при помощи матрицы беспорядка.
modelAccuracy = 1 - loss(Mdl,creditTest,"Rating", ... "LossFun","classiferror")
modelAccuracy = 0.8053
confusionchart(creditTest.Rating,predict(Mdl,creditTest))
Модель все предсказала классы в одном модуле истинных классов, означая, что все предсказания выключены не больше, чем одной оценкой.
Обучите классификатор нейронной сети с помощью OptimizeHyperparameters
аргумент, чтобы улучшить получившуюся точность классификации. Используйте hyperparameters
функция, чтобы задать больше, чем значения по умолчанию для количества используемых слоев и область значений размера слоя.
Считайте файл примера CreditRating_Historical.dat
в таблицу. Данные о предикторе состоят из финансовых отношений и информации об отрасли промышленности для списка корпоративных клиентов. Переменная отклика состоит из кредитных рейтингов, присвоенных рейтинговым агентством.
creditrating = readtable("CreditRating_Historical.dat");
Поскольку каждое значение в ID
переменная является уникальным идентификатором клиента, то есть, length(unique(creditrating.ID))
равно количеству наблюдений в creditrating
, ID
переменная является плохим предиктором. Удалите ID
переменная из таблицы, и преобразует Industry
переменная к categorical
переменная.
creditrating = removevars(creditrating,"ID");
creditrating.Industry = categorical(creditrating.Industry);
Преобразуйте Rating
переменная отклика к порядковому categorical
переменная.
creditrating.Rating = categorical(creditrating.Rating, ... ["AAA","AA","A","BBB","BB","B","CCC"],"Ordinal",true);
Разделите данные в наборы обучающих данных и наборы тестов. Используйте приблизительно 80% наблюдений, чтобы обучить модель нейронной сети, и 20% наблюдений проверять производительность обученной модели на новых данных. Используйте cvpartition
разделить данные.
rng("default") % For reproducibility of the partition c = cvpartition(creditrating.Rating,"Holdout",0.20); trainingIndices = training(c); % Indices for the training set testIndices = test(c); % Indices for the test set creditTrain = creditrating(trainingIndices,:); creditTest = creditrating(testIndices,:);
Перечислите гиперпараметры, доступные для этой проблемы подбора кривой Rating
ответ.
params = hyperparameters("fitcnet",creditTrain,"Rating"); for ii = 1:length(params) disp(ii);disp(params(ii)) end
1 optimizableVariable with properties: Name: 'NumLayers' Range: [1 3] Type: 'integer' Transform: 'none' Optimize: 1 2 optimizableVariable with properties: Name: 'Activations' Range: {'relu' 'tanh' 'sigmoid' 'none'} Type: 'categorical' Transform: 'none' Optimize: 1 3 optimizableVariable with properties: Name: 'Standardize' Range: {'true' 'false'} Type: 'categorical' Transform: 'none' Optimize: 1 4 optimizableVariable with properties: Name: 'Lambda' Range: [3.1786e-09 31.7864] Type: 'real' Transform: 'log' Optimize: 1 5 optimizableVariable with properties: Name: 'LayerWeightsInitializer' Range: {'glorot' 'he'} Type: 'categorical' Transform: 'none' Optimize: 0 6 optimizableVariable with properties: Name: 'LayerBiasesInitializer' Range: {'zeros' 'ones'} Type: 'categorical' Transform: 'none' Optimize: 0 7 optimizableVariable with properties: Name: 'Layer_1_Size' Range: [1 300] Type: 'integer' Transform: 'log' Optimize: 1 8 optimizableVariable with properties: Name: 'Layer_2_Size' Range: [1 300] Type: 'integer' Transform: 'log' Optimize: 1 9 optimizableVariable with properties: Name: 'Layer_3_Size' Range: [1 300] Type: 'integer' Transform: 'log' Optimize: 1 10 optimizableVariable with properties: Name: 'Layer_4_Size' Range: [1 300] Type: 'integer' Transform: 'log' Optimize: 0 11 optimizableVariable with properties: Name: 'Layer_5_Size' Range: [1 300] Type: 'integer' Transform: 'log' Optimize: 0
Чтобы попробовать больше слоев, чем значение по умолчанию 1 - 3, установите область значений NumLayers
(optimizable переменный 1) к его максимальному допустимому размеру, [1 5]
. Кроме того, установите Layer_4_Size
и Layer_5_Size
(optimizable переменные 10 и 11, соответственно), чтобы быть оптимизированным.
params(1).Range = [1 5]; params(10).Optimize = true; params(11).Optimize = true;
Установите область значений всех размеров слоя (optimizable переменные 7 - 11) к [1 400]
вместо [1 300]
по умолчанию.
for ii = 7:11 params(ii).Range = [1 400]; end
Обучите классификатор нейронной сети путем передачи обучающих данных creditTrain
к fitcnet
функция, и включает OptimizeHyperparameters
набор аргумента к params
. Для воспроизводимости установите AcquisitionFunctionName
к "expected-improvement-plus"
в HyperparameterOptimizationOptions
структура. Чтобы попытаться получить лучшее решение, определите номер шагов оптимизации к 100 вместо значения по умолчанию 30.
rng("default") % For reproducibility Mdl = fitcnet(creditTrain,"Rating","OptimizeHyperparameters",params, ... "HyperparameterOptimizationOptions", ... struct("AcquisitionFunctionName","expected-improvement-plus", ... "MaxObjectiveEvaluations",100))
|============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 1 | Best | 0.74189 | 2.9388 | 0.74189 | 0.74189 | sigmoid | true | 0.68961 | [104 1 5 3 1] | | 2 | Best | 0.2225 | 91.12 | 0.2225 | 0.24316 | relu | true | 0.00058564 | [ 38 208 162] | | 3 | Accept | 0.64081 | 15.805 | 0.2225 | 0.2269 | sigmoid | true | 1.9768e-06 | [ 1 25 1 287 7] | | 4 | Best | 0.21964 | 42.124 | 0.21964 | 0.22319 | none | false | 1.3353e-06 | 320 | | 5 | Accept | 0.74189 | 0.27365 | 0.21964 | 0.21968 | relu | true | 2.7056 | [ 1 2 1] | | 6 | Accept | 0.29752 | 119.81 | 0.21964 | 0.21968 | relu | true | 1.0503e-06 | [301 31 400] | | 7 | Accept | 0.24285 | 49.214 | 0.21964 | 0.21968 | relu | true | 3.9171e-07 | [ 3 142 56] | | 8 | Accept | 0.74189 | 0.5032 | 0.21964 | 0.21968 | none | true | 0.18455 | 338 | | 9 | Best | 0.21551 | 10.569 | 0.21551 | 0.21553 | none | false | 1.8409e-07 | [ 16 3 7] | | 10 | Best | 0.21456 | 58.812 | 0.21456 | 0.21712 | none | false | 3.335e-07 | [ 14 1 389 36] | | 11 | Accept | 0.21774 | 31.378 | 0.21456 | 0.21458 | none | false | 0.0015351 | [ 14 66 66 400] | | 12 | Accept | 0.21774 | 10.648 | 0.21456 | 0.21459 | none | false | 0.00089509 | [ 8 399] | | 13 | Best | 0.21424 | 30.123 | 0.21424 | 0.21427 | sigmoid | false | 1.4746e-06 | [ 2 43 2 34 18] | | 14 | Accept | 0.74189 | 11.099 | 0.21424 | 0.21427 | sigmoid | false | 0.00086753 | [ 2 220 36 224 170] | | 15 | Accept | 0.63636 | 12.882 | 0.21424 | 0.2143 | sigmoid | false | 8.1218e-06 | [ 3 67 55 2 18] | | 16 | Accept | 0.23363 | 57.487 | 0.21424 | 0.21431 | sigmoid | false | 8.5124e-08 | [171 21 1 7] | | 17 | Accept | 0.21964 | 55.479 | 0.21424 | 0.21438 | none | false | 4.7023e-05 | [ 26 250 10 8 66] | | 18 | Accept | 0.22028 | 85.705 | 0.21424 | 0.21433 | none | false | 1.1411e-07 | [104 186 99] | | 19 | Accept | 0.21583 | 94.815 | 0.21424 | 0.21434 | none | false | 0.001281 | [153 320 2 2 238] | | 20 | Accept | 0.74189 | 3.6128 | 0.21424 | 0.21445 | sigmoid | false | 0.080845 | [309 2 400] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 21 | Accept | 0.29053 | 129.97 | 0.21424 | 0.21444 | relu | true | 5.2378e-07 | [ 47 13 122 345 49] | | 22 | Accept | 0.74189 | 0.56884 | 0.21424 | 0.21447 | sigmoid | false | 22.67 | [237 13 2] | | 23 | Accept | 0.74189 | 0.52117 | 0.21424 | 0.21443 | none | false | 26.916 | [354 1 7 29] | | 24 | Accept | 0.56008 | 14.031 | 0.21424 | 0.21436 | relu | true | 1.1199e-05 | [ 74 20 4 1] | | 25 | Accept | 0.21933 | 50.083 | 0.21424 | 0.21437 | none | false | 6.5138e-05 | [ 10 28 266] | | 26 | Accept | 0.21996 | 96.38 | 0.21424 | 0.2144 | none | false | 8.653e-06 | [ 28 140 91 254] | | 27 | Accept | 0.21647 | 21.086 | 0.21424 | 0.21439 | none | false | 7.8745e-05 | [ 87 1 21 14] | | 28 | Accept | 0.23109 | 36.618 | 0.21424 | 0.21446 | sigmoid | false | 2.9094e-06 | [111 4] | | 29 | Accept | 0.22028 | 60.117 | 0.21424 | 0.21446 | none | false | 3.4241e-09 | [ 87 183 2 21] | | 30 | Accept | 0.74189 | 0.76418 | 0.21424 | 0.21434 | relu | true | 0.096418 | [ 26 10 385] | | 31 | Accept | 0.30896 | 96.39 | 0.21424 | 0.21433 | relu | true | 1.4796e-08 | [356 7 185] | | 32 | Accept | 0.22568 | 16.277 | 0.21424 | 0.21442 | sigmoid | false | 5.385e-07 | [ 23 2] | | 33 | Accept | 0.2953 | 73.411 | 0.21424 | 0.21451 | relu | true | 6.7579e-05 | [237 2 167] | | 34 | Accept | 0.22092 | 142.27 | 0.21424 | 0.21452 | none | false | 3.2199e-09 | [ 13 8 386 231] | | 35 | Accept | 0.32804 | 59.882 | 0.21424 | 0.21425 | relu | true | 1.7207e-08 | [335 2] | | 36 | Accept | 0.26446 | 42.748 | 0.21424 | 0.21426 | sigmoid | false | 7.6024e-09 | 170 | | 37 | Accept | 0.25938 | 25.846 | 0.21424 | 0.21556 | sigmoid | false | 1.4964e-06 | 67 | | 38 | Accept | 0.23363 | 29.88 | 0.21424 | 0.21699 | sigmoid | false | 1.3302e-06 | [ 41 12 1 13 2] | | 39 | Accept | 0.21488 | 18.38 | 0.21424 | 0.21429 | none | false | 3.3766e-09 | [325 1 26] | | 40 | Accept | 0.21488 | 4.6847 | 0.21424 | 0.21429 | none | false | 3.8762e-08 | [ 1 13] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 41 | Accept | 0.21964 | 16.462 | 0.21424 | 0.21436 | none | false | 8.2526e-05 | [ 97 11] | | 42 | Accept | 0.22123 | 12.431 | 0.21424 | 0.21569 | none | false | 0.00049767 | [ 42 14 13 4 2] | | 43 | Accept | 0.31691 | 59.148 | 0.21424 | 0.215 | relu | true | 0.00029442 | [ 1 12 384 4 31] | | 44 | Accept | 0.2225 | 82.411 | 0.21424 | 0.215 | relu | true | 3.2207e-09 | [ 2 331 19 74 12] | | 45 | Accept | 0.26478 | 55.779 | 0.21424 | 0.21501 | relu | false | 3.2107e-09 | [ 35 179 14 2] | | 46 | Accept | 0.29021 | 61.335 | 0.21424 | 0.21501 | relu | false | 5.7389e-06 | [ 42 318] | | 47 | Accept | 0.24348 | 129.66 | 0.21424 | 0.21501 | relu | false | 1.3815e-05 | [104 285 121 2 22] | | 48 | Accept | 0.74189 | 0.25805 | 0.21424 | 0.21498 | relu | false | 0.060763 | [ 51 1 26] | | 49 | Accept | 0.25524 | 229.69 | 0.21424 | 0.21498 | relu | false | 1.0038e-07 | [ 11 379 336 33] | | 50 | Accept | 0.24062 | 86.121 | 0.21424 | 0.21499 | relu | false | 4.5255e-07 | [ 8 207 24 285] | | 51 | Accept | 0.27622 | 36.186 | 0.21424 | 0.21499 | relu | false | 6.5926e-09 | 190 | | 52 | Accept | 0.21519 | 45.365 | 0.21424 | 0.215 | tanh | false | 3.2561e-09 | [ 1 170] | | 53 | Accept | 0.22791 | 42.993 | 0.21424 | 0.21661 | tanh | false | 4.052e-09 | [ 2 72 46] | | 54 | Accept | 0.2384 | 56.734 | 0.21424 | 0.21501 | tanh | false | 2.7916e-07 | [199 2 4] | | 55 | Accept | 0.29402 | 400.74 | 0.21424 | 0.2148 | tanh | false | 8.6815e-06 | [358 241 347 187] | | 56 | Accept | 0.21488 | 57.685 | 0.21424 | 0.21618 | sigmoid | false | 9.7045e-08 | [ 1 343] | | 57 | Accept | 0.50731 | 14.593 | 0.21424 | 0.2206 | tanh | false | 0.014697 | [ 1 325] | | 58 | Accept | 0.24507 | 105.57 | 0.21424 | 0.22011 | tanh | false | 1.2961e-08 | [ 53 7 6 364 20] | | 59 | Accept | 0.25683 | 337.11 | 0.21424 | 0.21973 | tanh | false | 5.2292e-08 | [160 173 398 188 2] | | 60 | Accept | 0.21424 | 52.362 | 0.21424 | 0.21365 | none | false | 1.9773e-08 | [265 3 8 144] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 61 | Accept | 0.21901 | 112.95 | 0.21424 | 0.21345 | relu | true | 3.8578e-05 | [ 3 398 139 4] | | 62 | Accept | 0.21551 | 70.941 | 0.21424 | 0.21345 | tanh | false | 1.6012e-07 | [ 1 347] | | 63 | Accept | 0.29561 | 179.56 | 0.21424 | 0.21345 | tanh | false | 5.0988e-07 | [ 52 395 29 179 90] | | 64 | Accept | 0.28894 | 16.156 | 0.21424 | 0.21342 | tanh | false | 3.6595e-08 | 43 | | 65 | Accept | 0.23808 | 110.07 | 0.21424 | 0.21347 | tanh | true | 3.2378e-09 | [ 3 376 75] | | 66 | Accept | 0.23522 | 37.116 | 0.21424 | 0.21346 | tanh | true | 1.1144e-07 | [ 6 100 2] | | 67 | Accept | 0.30451 | 207.92 | 0.21424 | 0.21345 | tanh | true | 4.2187e-06 | [ 64 162 73 215 253] | | 68 | Accept | 0.21519 | 64.314 | 0.21424 | 0.21344 | tanh | true | 3.2005e-09 | [ 1 1 4 42 182] | | 69 | Accept | 0.22823 | 18.554 | 0.21424 | 0.21343 | tanh | true | 3.0624e-08 | [ 2 1 18 2] | | 70 | Accept | 0.4965 | 0.24191 | 0.21424 | 0.21341 | tanh | true | 0.0062297 | 1 | | 71 | Accept | 0.23872 | 59.935 | 0.21424 | 0.2134 | tanh | true | 3.3039e-09 | [ 5 248 6] | | 72 | Accept | 0.24348 | 126.52 | 0.21424 | 0.21338 | tanh | true | 9.1602e-09 | [ 11 1 353 125 26] | | 73 | Accept | 0.33058 | 15.405 | 0.21424 | 0.21333 | tanh | true | 5.149e-09 | 38 | | 74 | Accept | 0.22664 | 93.852 | 0.21424 | 0.21338 | tanh | true | 5.1801e-08 | [ 3 22 13 2 390] | | 75 | Accept | 0.21456 | 39.525 | 0.21424 | 0.21346 | none | false | 9.9076e-07 | [ 8 321 1 14] | | 76 | Accept | 0.24094 | 144.33 | 0.21424 | 0.21341 | tanh | false | 4.8372e-09 | [146 376 4 4] | | 77 | Accept | 0.43134 | 61.629 | 0.21424 | 0.21356 | relu | false | 2.487e-06 | [203 1 325 33 8] | | 78 | Accept | 0.22028 | 185.83 | 0.21424 | 0.21355 | tanh | false | 3.8579e-09 | [210 1 270 256 7] | | 79 | Accept | 0.28894 | 88.793 | 0.21424 | 0.21353 | relu | false | 1.6973e-08 | [ 92 364] | | 80 | Accept | 0.21488 | 15.626 | 0.21424 | 0.21344 | none | false | 4.8495e-08 | [158 1 95 8] | |============================================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Activations | Standardize | Lambda | LayerSizes | | | result | | runtime | (observed) | (estim.) | | | | | |============================================================================================================================================| | 81 | Accept | 0.24634 | 25.257 | 0.21424 | 0.21345 | tanh | true | 3.86e-09 | [ 35 1 51] | | 82 | Accept | 0.21488 | 60.696 | 0.21424 | 0.21257 | sigmoid | false | 1.1764e-06 | [ 1 379] | | 83 | Accept | 0.21964 | 90.211 | 0.21424 | 0.21255 | none | false | 3.2479e-09 | [ 24 341 70 161] | | 84 | Accept | 0.74189 | 0.87744 | 0.21424 | 0.21248 | tanh | false | 19.804 | [125 2 355] | | 85 | Accept | 0.21583 | 46.265 | 0.21424 | 0.21243 | none | false | 3.8097e-05 | [126 1 111 52] | | 86 | Accept | 0.21647 | 94.709 | 0.21424 | 0.21241 | none | false | 4.4626e-05 | [ 60 381 2 257 7] | | 87 | Accept | 0.22409 | 91.623 | 0.21424 | 0.21309 | sigmoid | false | 3.2244e-09 | [ 74 122 6 141] | | 88 | Accept | 0.22982 | 82.493 | 0.21424 | 0.21233 | sigmoid | false | 6.6053e-08 | [ 37 299 3] | | 89 | Accept | 0.22028 | 45.673 | 0.21424 | 0.2123 | none | false | 0.00022752 | [ 6 146 67 11 14] | | 90 | Best | 0.21392 | 104.36 | 0.21392 | 0.21218 | none | true | 4.7915e-09 | [351 52 361 2] | | 91 | Accept | 0.21996 | 22.493 | 0.21392 | 0.21209 | none | true | 3.4932e-09 | [ 17 186 18] | | 92 | Accept | 0.21488 | 4.1562 | 0.21392 | 0.21187 | none | true | 3.8203e-09 | [ 3 1 91] | | 93 | Accept | 0.2206 | 91.939 | 0.21392 | 0.21199 | none | true | 2.6478e-07 | [128 226 140] | | 94 | Accept | 0.22028 | 32.482 | 0.21392 | 0.2119 | none | true | 1.0985e-08 | [ 32 266 81] | | 95 | Accept | 0.21996 | 8.1232 | 0.21392 | 0.21176 | none | true | 3.4762e-09 | 129 | | 96 | Accept | 0.21488 | 20.198 | 0.21392 | 0.21167 | none | true | 9.3788e-08 | [155 1 368 8 393] | | 97 | Accept | 0.21488 | 7.8171 | 0.21392 | 0.21165 | none | true | 4.6151e-08 | [257 1 9] | | 98 | Accept | 0.21996 | 25.05 | 0.21392 | 0.21148 | none | true | 5.0115e-08 | [ 61 392] | | 99 | Accept | 0.21869 | 223.66 | 0.21392 | 0.21139 | none | true | 3.7372e-09 | [397 361 2 26] | | 100 | Accept | 0.74189 | 0.73109 | 0.21392 | 0.21136 | tanh | true | 29.506 | [ 11 9 398] |
__________________________________________________________ Optimization completed. MaxObjectiveEvaluations of 100 reached. Total function evaluations: 100 Total elapsed time: 6645.9313 seconds Total objective function evaluation time: 6315.0249 Best observed feasible point: Activations Standardize Lambda LayerSizes ___________ ___________ __________ ________________________ none true 4.7915e-09 351 52 361 2 Observed objective function value = 0.21392 Estimated objective function value = 0.21501 Function evaluation time = 104.357 Best estimated feasible point (according to models): Activations Standardize Lambda LayerSizes ___________ ___________ __________ __________ sigmoid false 1.1764e-06 1 379 Estimated objective function value = 0.21136 Estimated function evaluation time = 60.6733
Mdl = ClassificationNeuralNetwork PredictorNames: {'WC_TA' 'RE_TA' 'EBIT_TA' 'MVE_BVTD' 'S_TA' 'Industry'} ResponseName: 'Rating' CategoricalPredictors: 6 ClassNames: [AAA AA A BBB BB B CCC] ScoreTransform: 'none' NumObservations: 3146 HyperparameterOptimizationResults: [1×1 BayesianOptimization] LayerSizes: [1 379] Activations: 'sigmoid' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [1000×7 table] Properties, Methods
Найдите точность классификации модели на наборе тестовых данных. Визуализируйте результаты при помощи матрицы беспорядка.
testAccuracy = 1 - loss(Mdl,creditTest,"Rating", ... "LossFun","classiferror")
testAccuracy = 0.8053
confusionchart(creditTest.Rating,predict(Mdl,creditTest))
Модель все предсказала классы в одном модуле истинных классов, означая, что все предсказания выключены не больше, чем одной оценкой.
Tbl
— Выборочные данныеВыборочные данные раньше обучали модель в виде таблицы. Каждая строка Tbl
соответствует одному наблюдению, и каждый столбец соответствует одному переменному предиктору. Опционально, Tbl
может содержать один дополнительный столбец для переменной отклика. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.
Если Tbl
содержит переменную отклика, и вы хотите использовать все остающиеся переменные в Tbl
как предикторы, затем задайте переменную отклика при помощи ResponseVarName
.
Если Tbl
содержит переменную отклика, и вы хотите использовать только подмножество остающихся переменных в Tbl
как предикторы, затем 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 откликаTbl
Имя переменной отклика в виде имени переменной в Tbl
.
Необходимо задать ResponseVarName
как вектор символов или строковый скаляр. Например, если переменная отклика Y
хранится как Tbl.Y
, затем задайте его как "Y"
. В противном случае программное обеспечение обрабатывает все столбцы Tbl
, включая Y
, как предикторы, когда обучение модель.
Переменная отклика должна быть категориальным, символом или массивом строк; логический или числовой вектор; или массив ячеек из символьных векторов. Если Y
символьный массив, затем каждый элемент переменной отклика должен соответствовать одной строке массива.
Хорошая практика должна задать порядок классов при помощи ClassNames
аргумент значения имени.
Типы данных: char |
string
formula
— Объяснительная модель переменной отклика и подмножество переменных предикторовОбъяснительная модель переменной отклика и подмножество переменных предикторов 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
представляйте переменные предикторы.
Задавать подмножество переменных в Tbl
как предикторы для обучения модель, используйте формулу. Если вы задаете формулу, то программное обеспечение не использует переменных в Tbl
это не появляется в formula
.
Имена переменных в формуле должны быть оба именами переменных в Tbl
(Tbl.Properties.VariableNames
) и допустимый MATLAB® идентификаторы. Можно проверить имена переменных в Tbl
при помощи isvarname
функция. Если имена переменных не допустимы, то можно преобразовать их при помощи matlab.lang.makeValidName
функция.
Типы данных: char |
string
Y
— Метки классаМетки класса раньше обучали модель в виде числового, категориального, или логического вектора; символьный массив или массив строк; или массив ячеек из символьных векторов.
Если Y
символьный массив, затем каждый элемент меток класса должен соответствовать одной строке массива.
Хорошая практика должна задать порядок класса при помощи ClassNames
аргумент значения имени.
Типы данных: single
| double
| categorical
| logical
| char
| string
| cell
X
— Данные о предиктореДанные о предикторе раньше обучали модель в виде числовой матрицы.
По умолчанию программное обеспечение обрабатывает каждую строку X
как одно наблюдение и каждый столбец как один предиктор.
Длина Y
и количество наблюдений в X
должно быть равным.
Задавать имена предикторов в порядке их внешнего вида в X
, используйте PredictorNames
аргумент значения имени.
Примечание
Если вы ориентируете свою матрицу предиктора так, чтобы наблюдения соответствовали столбцам и задали 'ObservationsIn','columns'
, затем вы можете испытать значительное сокращение во время вычисления.
Типы данных: single
| double
Примечание
Программное обеспечение обрабатывает NaN
, пустой символьный вектор (''
), пустая строка (""
), <missing>
, и <undefined>
элементы как отсутствующие значения, и удаляют наблюдения с любой из этих характеристик:
Отсутствующее значение в переменной отклика (например, Y
или ValidationData
{2})
По крайней мере одно отсутствующее значение в наблюдении предиктора (например, строка в X
или ValidationData{1}
)
NaN
значение или 0
вес (например, значение в Weights
или ValidationData{3}
)
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
.
fitcnet(X,Y,'LayerSizes',[10 10],'Activations',["relu","tanh"])
задает, чтобы создать нейронную сеть с двумя полносвязными слоями, каждого с 10 выходными параметрами. Первый слой использует исправленный линейный модуль (ReLU) функция активации и второе использование гиперболическая функция активации касательной.LayerSizes
— Размеры полносвязных слоев
(значение по умолчанию) | положительный целочисленный векторРазмеры полносвязных слоев в модели нейронной сети в виде положительного целочисленного вектора. i th элемент LayerSizes
количество выходных параметров в i th полносвязный слой модели нейронной сети.
LayerSizes
не включает размер итогового полносвязного слоя, который использует softmax функцию активации. Для получения дополнительной информации смотрите Структуру Нейронной сети.
Пример: 'LayerSizes',[100 25 10]
Activations
— Активация функционирует для полносвязных слоев'relu'
(значение по умолчанию) | 'tanh'
| 'sigmoid'
| 'none'
| массив строк | массив ячеек из символьных векторовАктивация функционирует для полносвязных слоев модели нейронной сети в виде вектора символов, строкового скаляра, массива строк или массива ячеек из символьных векторов со значениями из этой таблицы.
Значение | Описание |
---|---|
'relu' | Исправленный линейный модуль (ReLU), функция — Выполняет пороговую операцию на каждом элементе входа, где любое значение меньше, чем нуль обнуляется, то есть, |
'tanh' | Гиперболическая касательная (tanh) функция — Применяется |
'sigmoid' | Сигмоидальная функция — Выполняет следующую операцию на каждом входном элементе: |
'none' | Тождественное отображение — Возвращает каждый входной элемент, не выполняя преобразования, то есть, f (x) = x |
Если вы указываете, что одна активация функционирует только, то Activations
функция активации для каждого полносвязного слоя модели нейронной сети, исключая итоговый полносвязный слой. Функция активации для итогового полносвязного слоя всегда softmax (см. Структуру Нейронной сети).
Если вы задаете массив функций активации, то i th элемент Activations
функция активации для i th слой модели нейронной сети.
Пример: 'Activations','sigmoid'
LayerWeightsInitializer
— Функция, чтобы инициализировать веса полносвязного слоя'glorot'
(значение по умолчанию) | 'he'
Функция, чтобы инициализировать веса полносвязного слоя в виде 'glorot'
или 'he'
.
Значение | Описание |
---|---|
'glorot' | Инициализируйте веса инициализатором Glorot [1] (также известный как инициализатор Ксавьера). Для каждого слоя, инициализатор Glorot независимо выборки от равномерного распределения с нулевым средним значением и переменной 2/(I+O) , где I входной размер и O выходной размер для слоя. |
'he' | Инициализируйте веса Им инициализатор [2]. Для каждого слоя, Он выборки инициализатора от нормального распределения с нулевым средним значением и отклонением 2/I , где I входной размер для слоя. |
Пример: 'LayerWeightsFunction','he'
LayerBiasesInitializer
— Тип начальных смещений полносвязного слоя'zeros'
(значение по умолчанию) | 'ones'
Тип начального полносвязного слоя смещает в виде 'zeros'
или 'ones'
.
Если вы задаете значение 'zeros'
, затем каждый полносвязный слой имеет начальное смещение 0.
Если вы задаете значение 'ones'
, затем каждый полносвязный слой имеет начальное смещение 1.
Пример: 'LayerBiasesInitializer','ones'
Типы данных: char |
string
ObservationsIn
— Размерность наблюдения данных о предикторе'rows'
(значение по умолчанию) | 'columns'
Размерность наблюдения данных о предикторе в виде 'rows'
или 'columns'
.
Примечание
Если вы ориентируете свою матрицу предиктора так, чтобы наблюдения соответствовали столбцам и задали 'ObservationsIn','columns'
, затем вы можете испытать значительное сокращение во время вычисления. Вы не можете задать 'ObservationsIn','columns'
для данных о предикторе в таблице.
Пример: 'ObservationsIn','columns'
Типы данных: char |
string
Lambda
— Сила термина регуляризации
(значение по умолчанию) | неотрицательный скалярСила термина регуляризации в виде неотрицательного скаляра. Программное обеспечение составляет целевую функцию для минимизации от функции потери перекрестной энтропии и гребня (L2) термин штрафа.
Пример: 'Lambda',1e-4
Типы данных: single
| double
Standardize
— Отметьте, чтобы стандартизировать данные о предиктореfalse
или 0
(значение по умолчанию) | true
или 1
Отметьте, чтобы стандартизировать данные о предикторе в виде числового или логического 0
ложь
) или 1
TRUE
). Если вы устанавливаете Standardize
к true
, затем центры программного обеспечения и шкалы каждый числовой переменный предиктор соответствующим столбцом среднее и стандартное отклонение. Программное обеспечение не стандартизирует категориальные предикторы.
Пример: 'Standardize',true
Типы данных: single
| double
| logical
Verbose
— Уровень многословия
(значение по умолчанию) | 1
Уровень многословия в виде 0
или 1
. 'Verbose'
аргумент значения имени управляет суммой диагностической информации это fitcnet
отображения в командной строке.
Значение | Описание |
---|---|
0
| fitcnet не отображает диагностическую информацию. |
1
| fitcnet периодически информация о диагностике отображений. |
По умолчанию, StoreHistory
установлен в true
и fitcnet
хранит диагностическую информацию в Mdl
. Используйте Mdl.TrainingHistory
получить доступ к диагностической информации.
Пример: 'Verbose',1
Типы данных: single
| double
VerboseFrequency
— Частота многословной печати
(значение по умолчанию) | положительный целочисленный скалярЧастота многословной печати, которая является количеством итераций между печатью к командному окну в виде положительного целочисленного скаляра. Значение 1 указывает, чтобы распечатать диагностическую информацию в каждой итерации.
Примечание
Чтобы использовать этот аргумент значения имени, установите Verbose
к 1
.
Пример: 'VerboseFrequency',5
Типы данных: single
| double
StoreHistory
— Отметьте, чтобы сохранить учебную историюtrue
или 1
(значение по умолчанию) | false
или 0
Отметьте, чтобы сохранить учебную историю в виде числового или логического 0
ложь
) или 1
TRUE
). Если StoreHistory
установлен в true
, затем программное обеспечение хранит диагностическую информацию в Mdl
, к которому можно получить доступ при помощи Mdl.TrainingHistory
.
Пример: 'StoreHistory',false
Типы данных: single
| double
| logical
IterationLimit
— Максимальное количество учебных итераций1e3
(значение по умолчанию) | положительный целочисленный скалярМаксимальное количество учебных итераций в виде положительного целочисленного скаляра.
Программное обеспечение возвращает обученную модель независимо от того, сходится ли учебная стандартная программа успешно. Mdl.ConvergenceInfo
содержит информацию о сходимости.
Пример: 'IterationLimit',1e8
Типы данных: single
| double
GradientTolerance
— Относительный допуск градиента1e-6
(значение по умолчанию) | неотрицательный скалярОтносительный допуск градиента в виде неотрицательного скаляра.
Пусть будьте функцией потерь в учебной итерации t, будьте градиентом функции потерь относительно весов и смещений в итерации t, и будьте градиентом функции потерь в начальной точке. Если , где , затем учебный процесс завершает работу.
Пример: 'GradientTolerance',1e-5
Типы данных: single
| double
LossTolerance
— Допуск потерь1e-6
(значение по умолчанию) | неотрицательный скалярДопуск потерь в виде неотрицательного скаляра.
Если функциональная потеря в некоторой итерации меньше, чем LossTolerance
, затем учебный процесс завершает работу.
Пример: 'LossTolerance',1e-8
Типы данных: single
| double
StepTolerance
— Допуск размера шага1e-6
(значение по умолчанию) | неотрицательный скалярДопуск размера шага в виде неотрицательного скаляра.
Если размер шага в некоторой итерации меньше, чем StepTolerance
, затем учебный процесс завершает работу.
Пример: 'StepTolerance',1e-4
Типы данных: single
| double
ValidationData
— Данные о валидации для учебного обнаружения сходимостиДанные о валидации для учебного обнаружения сходимости в виде массива ячеек или таблицы.
Во время учебного процесса программное обеспечение периодически оценивает потерю валидации при помощи ValidationData
. Если потеря валидации увеличивает больше, чем ValidationPatience
времена подряд, затем программное обеспечение отключает обучение.
Можно задать ValidationData
как таблица, если вы используете таблицу Tbl
из данных о предикторе, которые содержат переменную отклика. В этом случае, ValidationData
должен содержать те же предикторы и ответ, содержавшийся в Tbl
. Программное обеспечение не применяет веса к наблюдениям, даже если Tbl
содержит вектор из весов. Чтобы задать веса, необходимо задать ValidationData
как массив ячеек.
Если вы задаете ValidationData
как массив ячеек, затем это должно иметь следующий формат:
ValidationData{1}
должен иметь совпадающий тип данных и ориентацию как данные о предикторе. Таким образом, если вы используете матрицу предиктора X
, затем ValidationData{1}
должен быть m-by-p или p-by-m матрица данных о предикторе, которые имеют ту же ориентацию как X
. Переменные предикторы в обучающих данных X
и ValidationData{1}
должен соответствовать. Точно так же, если вы используете таблицу Tbl
предиктора из данных о предикторе, затем
ValidationData{1}
должна быть таблица, содержащая те же переменные предикторы, содержавшиеся в Tbl
. Количество наблюдений в ValidationData{1}
и данные о предикторе могут варьироваться.
ValidationData{2}
должен совпадать с типом данных и форматом переменной отклика, любого Y
или ResponseVarName
. Если ValidationData{2}
массив меток класса, затем он должен иметь то же число элементов как количество наблюдений в ValidationData{1}
. Набор всех отличных меток ValidationData{2}
должно быть подмножество всех отличных меток Y
. Если ValidationData{1}
таблица, затем ValidationData{2}
может быть имя переменной отклика в таблице. Если вы хотите использовать тот же ResponseVarName
или formula
, можно задать ValidationData{2}
как []
.
Опционально, можно задать ValidationData{3}
как m - размерный числовой вектор из весов наблюдения или имя переменной в таблице ValidationData{1}
это содержит веса наблюдения. Программное обеспечение нормирует веса с данными о валидации так, чтобы они суммировали к 1.
Если вы задаете ValidationData
и хочу отобразить потерю валидации в командной строке, установить Verbose
к 1
.
ValidationFrequency
— Количество итераций между оценками валидации
(значение по умолчанию) | положительный целочисленный скалярКоличество итераций между оценками валидации в виде положительного целочисленного скаляра. Значение 1 указывает, чтобы оценить метрики валидации в каждой итерации.
Примечание
Чтобы использовать этот аргумент значения имени, необходимо задать ValidationData
.
Пример: 'ValidationFrequency',5
Типы данных: single
| double
ValidationPatience
— Остановка условия для оценок валидации
(значение по умолчанию) | неотрицательный целочисленный скалярОстановка условия для оценок валидации в виде неотрицательного целочисленного скаляра. Учебные остановки процесса, если потеря валидации больше или равна минимальной потере валидации, вычисленной до сих пор, ValidationPatience
времена подряд. Можно проверять Mdl.TrainingHistory
таблица, чтобы видеть рабочее общее количество времен, которых потеря валидации больше или равна минимуму (Validation Checks
).
Пример: 'ValidationPatience',10
Типы данных: single
| double
CategoricalPredictors
— Категориальный список предикторов'all'
Категориальные предикторы перечисляют в виде одного из значений в этой таблице. Описания принимают, что данные о предикторе имеют наблюдения в строках и предикторы в столбцах.
Значение | Описание |
---|---|
Вектор из положительных целых чисел |
Каждая запись в векторе является значением индекса, указывающим, что соответствующий предиктор является категориальным. Значения индекса между 1 и Если |
Логический вектор |
|
Символьная матрица | Каждая строка матрицы является именем переменного предиктора. Имена должны совпадать с записями в PredictorNames . Заполните имена дополнительными пробелами, таким образом, каждая строка символьной матрицы имеет ту же длину. |
Массив строк или массив ячеек из символьных векторов | Каждым элементом в массиве является имя переменного предиктора. Имена должны совпадать с записями в PredictorNames . |
"all" | Все предикторы являются категориальными. |
По умолчанию, если данные о предикторе находятся в таблице (Tbl
), fitcnet
принимает, что переменная является категориальной, если это - логический вектор, категориальный вектор, символьный массив, массив строк или массив ячеек из символьных векторов. Если данные о предикторе являются матрицей (X
), fitcnet
принимает, что все предикторы непрерывны. Чтобы идентифицировать любые другие предикторы как категориальные предикторы, задайте их при помощи 'CategoricalPredictors'
аргумент значения имени.
Для идентифицированных категориальных предикторов, fitcnet
создает фиктивные переменные с помощью двух различных схем, в зависимости от того, не упорядочена ли категориальная переменная или упорядочена. Для неупорядоченной категориальной переменной, fitcnet
создает одну фиктивную переменную для каждого уровня категориальной переменной. Для упорядоченной категориальной переменной, fitcnet
создает тот меньше фиктивной переменной, чем количество категорий. Для получения дополнительной информации смотрите Автоматическое Создание Фиктивных Переменных.
Пример: 'CategoricalPredictors','all'
Типы данных: single
| double
| logical
| char
| string
| cell
ClassNames
— Имена классов, чтобы использовать для обученияИмена классов, чтобы использовать для обучения в виде категориального, символа или массива строк; логический или числовой вектор; или массив ячеек из символьных векторов. ClassNames
должен иметь совпадающий тип данных как переменную отклика в Tbl
или Y
.
Если ClassNames
символьный массив, затем каждый элемент должен соответствовать одной строке массива.
Используйте ClassNames
к:
Задайте порядок классов во время обучения.
Задайте порядок любой размерности аргумента ввода или вывода, которая соответствует порядку класса. Например, используйте ClassNames
задавать порядка следования столбцов классификационных оценок, возвращенных predict
.
Выберите подмножество классов для обучения. Например, предположите что набор всех отличных имен классов в Y
["a","b","c"]
. Обучать модель с помощью наблюдений от классов "a"
и "c"
только, задайте "ClassNames",["a","c"]
.
Значение по умолчанию для ClassNames
набор всех отличных имен классов в переменной отклика в Tbl
или Y
.
Пример: "ClassNames",["b","g"]
Типы данных: categorical
| char
| string
| logical
| single
| double
| cell
PredictorNames
— Имена переменного предиктораПеременный предиктор называет в виде массива строк уникальных имен или массива ячеек уникальных векторов символов. Функциональность 'PredictorNames'
зависит от способа, которым вы снабжаете обучающими данными.
Если вы предоставляете X
и Y
, затем можно использовать 'PredictorNames'
присваивать имена к переменным предикторам в X
.
Порядок имен в PredictorNames
должен соответствовать порядку предиктора в X
. Принятие, 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
{'x1','x2',...}
.
Если вы предоставляете Tbl
, затем можно использовать 'PredictorNames'
выбрать который переменные предикторы использовать в обучении. Таким образом, fitcnet
использование только переменные предикторы в PredictorNames
и переменная отклика во время обучения.
PredictorNames
должно быть подмножество Tbl.Properties.VariableNames
и не может включать имя переменной отклика.
По умолчанию, PredictorNames
содержит имена всех переменных предикторов.
Хорошая практика должна задать предикторы для обучения с помощью любого 'PredictorNames'
или formula
, но не то и другое одновременно.
Пример: 'PredictorNames',{'SepalLength','SepalWidth','PetalLength','PetalWidth'}
Типы данных: string
| cell
ResponseName
— Имя переменной отклика"Y"
(значение по умолчанию) | вектор символов | строковый скалярИмя переменной отклика в виде вектора символов или строкового скаляра.
Если вы предоставляете Y
, затем можно использовать ResponseName
задавать имя для переменной отклика.
Если вы предоставляете ResponseVarName
или formula
, затем вы не можете использовать ResponseName
.
Пример: "ResponseName","response"
Типы данных: char |
string
ScoreTransform
— Выиграйте преобразование"none"
(значение по умолчанию) | "doublelogit"
| "invlogit"
| "ismax"
| "logit"
| указатель на функцию |...Выиграйте преобразование в виде вектора символов, строкового скаляра или указателя на функцию.
Эта таблица суммирует доступные векторы символов и строковые скаляры.
Значение | Описание |
---|---|
"doublelogit" | 1/(1 + e–2x) |
"invlogit" | журнал (x / (1 – x)) |
"ismax" | Устанавливает счет к классу с самым большим счетом к 1 и устанавливает музыку ко всем другим классам к 0 |
"logit" | 1/(1 + e–x) |
"none" или "identity" | x (никакое преобразование) |
"sign" | – 1 для x <0 0 для x = 0 1 для x> 0 |
"symmetric" | 2x – 1 |
"symmetricismax" | Устанавливает счет к классу с самым большим счетом к 1 и устанавливает музыку ко всем другим классам к –1 |
"symmetriclogit" | 2/(1 + e–x) – 1 |
Для функции MATLAB или функции вы задаете, используете ее указатель на функцию для счета, преобразовывают. Указатель на функцию должен принять матрицу (исходные баллы) и возвратить матрицу, одного размера (преобразованные баллы).
Пример: "ScoreTransform","logit"
Типы данных: char |
string
| function_handle
Weights
— Веса наблюденияTbl
Веса наблюдения в виде неотрицательного числового вектора или имени переменной в Tbl
. Веса программного обеспечения каждое наблюдение в X
или Tbl
с соответствующим значением в Weights
. Длина Weights
должен равняться количеству наблюдений в X
или Tbl
.
Если вы задаете входные данные как таблицу Tbl
, затем Weights
может быть имя переменной в Tbl
это содержит числовой вектор. В этом случае необходимо задать Weights
как вектор символов или строковый скаляр. Например, если вектор весов W
хранится как Tbl.W
, затем задайте его как 'W'
. В противном случае программное обеспечение обрабатывает все столбцы Tbl
, включая W
, как предикторы или переменная отклика, когда обучение модель.
По умолчанию, Weights
ones(n,1)
, где n
количество наблюдений в X
или Tbl
.
Программное обеспечение нормирует Weights
суммировать к значению априорной вероятности в соответствующем классе.
Типы данных: single
| double
| char
| string
Примечание
Вы не можете использовать аргумент значения имени перекрестной проверки вместе с 'OptimizeHyperparameters'
аргумент значения имени. Можно изменить перекрестную проверку для 'OptimizeHyperparameters'
только при помощи 'HyperparameterOptimizationOptions'
аргумент значения имени.
CrossVal
— Отметьте, чтобы обучить перекрестный подтвержденный классификатор'off'
(значение по умолчанию) | 'on'
Отметьте, чтобы обучить перекрестный подтвержденный классификатор в виде 'on'
или 'off'
.
Если вы задаете 'on'
, затем программное обеспечение обучает перекрестный подтвержденный классификатор с 10 сгибами.
Можно заменить эту установку перекрестной проверки с помощью CVPartition
, Holdout
, KFold
, или Leaveout
аргумент значения имени. Можно использовать только один аргумент значения имени перекрестной проверки за один раз, чтобы создать перекрестную подтвержденную модель.
В качестве альтернативы перекрестный подтвердите позже путем передачи Mdl
к crossval
.
Пример: 'Crossval','on'
Типы данных: char |
string
CVPartition
— Раздел перекрестной проверки[]
(значение по умолчанию) | cvpartition
объект разделаРаздел перекрестной проверки в виде cvpartition
объект раздела, созданный cvpartition
. Объект раздела задает тип перекрестной проверки и индексации для наборов обучения и валидации.
Чтобы создать перекрестную подтвержденную модель, можно задать только одни из этих четырех аргументов name-value: CVPartition
, Holdout
, KFold
, или Leaveout
.
Пример: Предположим, что вы создаете случайный раздел для 5-кратной перекрестной проверки на 500 наблюдениях при помощи cvp = cvpartition(500,'KFold',5)
. Затем можно задать перекрестную подтвержденную модель при помощи 'CVPartition',cvp
.
Holdout
— Часть данных для валидации затяжкиЧасть данных, используемых для валидации затяжки в виде скалярного значения в области значений (0,1). Если вы задаете 'Holdout',p
, затем программное обеспечение завершает эти шаги:
Случайным образом выберите и зарезервируйте p*100
% из данных как данные о валидации, и обучают модель с помощью остальной части данных.
Сохраните компактную, обученную модель в Trained
свойство перекрестной подтвержденной модели.
Чтобы создать перекрестную подтвержденную модель, можно задать только одни из этих четырех аргументов name-value: CVPartition
, Holdout
, KFold
, или Leaveout
.
Пример: 'Holdout',0.1
Типы данных: double |
single
KFold
— Количество сгибов
(значение по умолчанию) | положительное целочисленное значение, больше, чем 1Количество сгибов, чтобы использовать в перекрестной подтвержденной модели в виде положительного целочисленного значения, больше, чем 1. Если вы задаете 'KFold',k
, затем программное обеспечение завершает эти шаги:
Случайным образом разделите данные в k
наборы.
Для каждого набора зарезервируйте набор как данные о валидации и обучите модель с помощью другого k
– 1 набор.
Сохраните k
компактные, обученные модели в k
- 1 вектор ячейки в Trained
свойство перекрестной подтвержденной модели.
Чтобы создать перекрестную подтвержденную модель, можно задать только одни из этих четырех аргументов name-value: CVPartition
, Holdout
, KFold
, или Leaveout
.
Пример: 'KFold',5
Типы данных: single
| double
Leaveout
— Флаг перекрестной проверки "Пропускает один"'off'
(значение по умолчанию) | 'on'
Флаг перекрестной проверки "Пропускает один" в виде 'on'
или 'off'
. Если вы задаете 'Leaveout','on'
, затем для каждого из наблюдений n (где n является количеством наблюдений, исключая недостающие наблюдения, заданные в NumObservations
свойство модели), программное обеспечение завершает эти шаги:
Зарезервируйте одно наблюдение как данные о валидации и обучите модель с помощью другого n – 1 наблюдение.
Сохраните n компактные, обученные модели в n-by-1 вектор ячейки в Trained
свойство перекрестной подтвержденной модели.
Чтобы создать перекрестную подтвержденную модель, можно задать только одни из этих четырех аргументов name-value: CVPartition
, Holdout
, KFold
, или Leaveout
.
Пример: 'Leaveout','on'
OptimizeHyperparameters
— Параметры, чтобы оптимизировать'none'
(значение по умолчанию) | 'auto'
| 'all'
| массив строк или массив ячеек имеющих право названий параметра | вектор из optimizableVariable
объектыПараметры, чтобы оптимизировать в виде одного из следующего:
'none'
— Не оптимизировать.
'auto'
— Используйте {'Activations','Lambda','LayerSizes','Standardize'}
.
'all'
— Оптимизируйте все имеющие право параметры.
Массив строк или массив ячеек имеющих право названий параметра.
Вектор из optimizableVariable
объекты, обычно выход hyperparameters
.
Оптимизация пытается минимизировать потерю перекрестной проверки (ошибка) для fitcnet
путем варьирования параметров. Для получения информации о потере перекрестной проверки (несмотря на то, что в различном контексте), смотрите Потерю Классификации. Чтобы управлять типом перекрестной проверки и другими аспектами оптимизации, используйте HyperparameterOptimizationOptions
аргумент значения имени.
Примечание
Значения 'OptimizeHyperparameters'
замените любые значения, вы задаете использование других аргументов name-value. Например, установка 'OptimizeHyperparameters'
к 'auto'
причины fitcnet
оптимизировать гиперпараметры, соответствующие 'auto'
опция и проигнорировать любые заданные значения для гиперпараметров.
Имеющие право параметры для fitcnet
:
Activations
— fitcnet
оптимизирует Activations
на множестве {'relu','tanh','sigmoid','none'}
.
Lambda
— fitcnet
оптимизирует Lambda
по непрерывным значениям в области значений [1e-5,1e5]/NumObservations
, то, где значение выбрано однородно в журнале, преобразовало область значений.
LayerBiasesInitializer
— fitcnet
оптимизирует LayerBiasesInitializer
по этим двум значениям {'zeros','ones'}
.
LayerWeightsInitializer
— fitcnet
оптимизирует LayerWeightsInitializer
по этим двум значениям {'glorot','he'}
.
LayerSizes
— fitcnet
оптимизирует по этим трем значениям 1
, 2, и
3
полносвязные слоя, исключая итоговый полносвязный слой. fitcnet
оптимизирует каждый полносвязный слой отдельно по 1
через 300
размеры в слое, произведенном на логарифмическом масштабе.
Примечание
Когда вы используете LayerSizes
аргумент, итеративное отображение показывает размер каждого соответствующего слоя. Например, если текущим количеством полносвязных слоев является 3
, и эти три слоя имеют размеры 10
, 79, и
44
соответственно, итеративное отображение показывает LayerSizes
для той итерации как [10 79 44]
.
Примечание
Чтобы получить доступ к пяти полносвязным слоям или различной области значений размеров в слое, использовать hyperparameters
выбрать optimizable параметры и области значений.
Standardize
— fitcnet
оптимизирует Standardize
по этим двум значениям {true,false}
.
Установите параметры не по умолчанию путем передачи вектора из optimizableVariable
объекты, которые имеют значения не по умолчанию. Как пример, это кодовые наборы область значений NumLayers
к [1 5]
и оптимизирует Layer_4_Size
и Layer_5_Size
:
load fisheriris params = hyperparameters('fitcnet',meas,species); params(1).Range = [1 5]; params(10).Optimize = true; params(11).Optimize = true;
Передайте params
как значение OptimizeHyperparameters
. Для примера с помощью параметров не по умолчанию смотрите, Настраивают Оптимизацию Классификатора Нейронной сети.
По умолчанию итеративное отображение появляется в командной строке, и графики появляются согласно количеству гиперпараметров в оптимизации. Для оптимизации и графиков, целевая функция является misclassification уровнем. Чтобы управлять итеративным отображением, установите Verbose
поле 'HyperparameterOptimizationOptions'
аргумент значения имени. Чтобы управлять графиками, установите ShowPlots
поле 'HyperparameterOptimizationOptions'
аргумент значения имени.
Для примера смотрите, Улучшают Классификатор Нейронной сети Используя OptimizeHyperparameters.
Пример: 'OptimizeHyperparameters','auto'
HyperparameterOptimizationOptions
— Опции для оптимизацииОпции для оптимизации в виде структуры. Этот аргумент изменяет эффект OptimizeHyperparameters
аргумент значения имени. Все поля в структуре являются дополнительными.
Имя поля | Значения | Значение по умолчанию |
---|---|---|
Optimizer |
| 'bayesopt' |
AcquisitionFunctionName |
Захват функционирует, чьи имена включают | 'expected-improvement-per-second-plus' |
MaxObjectiveEvaluations | Максимальное количество оценок целевой функции. | 30 для 'bayesopt' и 'randomsearch' , и целая сетка для 'gridsearch' |
MaxTime | Ограничение по времени в виде положительного действительного скаляра. Ограничение по времени находится в секундах, как измерено | Inf |
NumGridDivisions | Для 'gridsearch' , количество значений в каждой размерности. Значение может быть вектором из положительных целых чисел, дающих количество значений для каждой размерности или скаляр, который применяется ко всем размерностям. Это поле проигнорировано для категориальных переменных. | 10
|
ShowPlots | Логическое значение, указывающее, показать ли графики. Если true , это поле строит лучшее наблюдаемое значение целевой функции против номера итерации. Если вы используете Байесовую оптимизацию (Optimizer 'bayesopt' ), затем это поле также строит лучшее предполагаемое значение целевой функции. Лучшие наблюдаемые значения целевой функции и лучше всего оцененные значения целевой функции соответствуют значениям в BestSoFar (observed) и BestSoFar (estim.) столбцы итеративного отображения, соответственно. Можно найти эти значения в свойствах ObjectiveMinimumTrace и EstimatedObjectiveMinimumTrace из Mdl.HyperparameterOptimizationResults . Если проблема включает один или два параметра оптимизации для Байесовой оптимизации, то ShowPlots также строит модель целевой функции против параметров. | true |
SaveIntermediateResults | Логическое значение, указывающее, сохранить ли результаты когда Optimizer 'bayesopt' . Если true , это поле перезаписывает переменную рабочей области под названием 'BayesoptResults' в каждой итерации. Переменной является BayesianOptimization объект. | false |
Verbose | Отображение в командной строке:
Для получения дополнительной информации смотрите | 1
|
UseParallel | Логическое значение, указывающее, запустить ли Байесовую оптимизацию параллельно, которая требует Parallel Computing Toolbox™. Из-за невоспроизводимости синхронизации параллели, параллельная Байесова оптимизация не обязательно приводит к восстанавливаемым результатам. Для получения дополнительной информации смотрите Параллельную Байесовую Оптимизацию. | false |
Repartition | Логическое значение, указывающее, повторно разделить ли перекрестную проверку в каждой итерации. Если этим полем является Установка | false |
Используйте не больше, чем одну из следующих трех опций. | ||
CVPartition | cvpartition объект, как создано cvpartition | 'Kfold',5 если вы не задаете поле перекрестной проверки |
Holdout | Скаляр в области значений (0,1) представление части затяжки | |
Kfold | Целое число, больше, чем 1 |
Пример: 'HyperparameterOptimizationOptions',struct('MaxObjectiveEvaluations',60)
Типы данных: struct
Mdl
— Обученный классификатор нейронной сетиClassificationNeuralNetwork
возразите | ClassificationPartitionedModel
объектОбученный классификатор нейронной сети, возвращенный как ClassificationNeuralNetwork
или ClassificationPartitionedModel
объект.
Если вы устанавливаете какие-либо из аргументов name-value CrossVal
, CVPartition
, Holdout
, KFold
, или Leaveout
, затем Mdl
ClassificationPartitionedModel
объект. В противном случае, Mdl
ClassificationNeuralNetwork
модель.
К ссылочным свойствам Mdl
, используйте запись через точку.
Классификатор нейронной сети по умолчанию имеет следующую структуру слоя.
Структура | Описание |
---|---|
| Введите — Этот слой соответствует данным о предикторе в Tbl или X . |
Первый полносвязный слой — Этот слой имеет 10 выходных параметров по умолчанию.
| |
Функция активации ReLU —
| |
Итоговый полносвязный слой — Этот слой имеет K выходные параметры, где K является количеством классов в переменной отклика.
| |
Функция Softmax (и для двоичного файла и для классификации мультиклассов) — Результаты соответствуют предсказанным классификационным оценкам (или апостериорные вероятности). | |
Вывод Этот слой соответствует предсказанным меткам класса. |
Для примера, который показывает, как классификатор нейронной сети с этой структурой слоя возвращает предсказания, смотрите, Предсказывают Используя Структуру Слоя Классификатора Нейронной сети.
Всегда пытайтесь стандартизировать числовые предикторы (см. Standardize
). Стандартизация делает предикторы нечувствительными к шкалам, по которым они измеряются.
fitcnet
использует ограниченную память алгоритм квазиньютона Бройдена Флетчера Голдфарба Шэнно (LBFGS) [3] как его метод минимизации функции потерь, где программное обеспечение минимизирует потерю перекрестной энтропии.
[1] Glorot, Ксавьер и Иосуа Бенхио. “Изучая трудность учебных глубоких нейронных сетей прямого распространения”. В Продолжениях тринадцатой международной конференции по вопросам искусственного интеллекта и статистики, стр 249–256. 2010.
[2] Он, Kaiming, Сянюй Чжан, Шаоцин Жэнь и Цзянь Сунь. “Копаясь глубоко в выпрямителях: Превосходная эффективность человеческого уровня на imagenet классификации”. В Продолжениях международной конференции IEEE по вопросам компьютерного зрения, стр 1026–1034. 2015.
[3] Nocedal, J. и С. Дж. Райт. Числовая Оптимизация, 2-й редактор, Нью-Йорк: Спрингер, 2006.
Чтобы выполнить параллельную гипероптимизацию параметров управления, используйте 'HyperparameterOptimizationOptions', struct('UseParallel',true)
аргумент значения имени в вызове fitcnet
функция.
Для получения дополнительной информации о параллельной гипероптимизации параметров управления смотрите Параллельную Байесовую Оптимизацию.
Для получения общей информации о параллельных вычислениях, смотрите функции MATLAB Запуска с Автоматической Параллельной Поддержкой (Parallel Computing Toolbox).
ClassificationNeuralNetwork
| predict
| loss
| hyperparameters
| margin
| edge
| ClassificationPartitionedModel
| CompactClassificationNeuralNetwork
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
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.