fitcnet

Обучите модель классификации нейронных сетей

свернуть все на странице

Синтаксис

Mdl = fitcnet(Tbl,ResponseVarName)
Mdl = fitcnet(Tbl,formula)
Mdl = fitcnet(Tbl,Y)
Mdl = fitcnet(X,Y)
Mdl = fitcnet(___,Name,Value)

Описание

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.

пример

Mdl = fitcnet(Tbl,ResponseVarName) возвращает модель Mdl классификации нейронных сетей обученное использование предикторов в таблице Tbl и класс помечает в ResponseVarName табличная переменная.

Mdl = fitcnet(Tbl,formula) возвращается модель классификации нейронных сетей обучила использование выборочных данных в таблице Tbl. Входной параметр formula объяснительная модель ответа и подмножество переменных предикторов в Tbl используемый, чтобы соответствовать Mdl.

Mdl = fitcnet(Tbl,Y) возвращает модель классификации нейронных сетей использование переменных предикторов в таблице Tbl и класс помечает в векторном Y.

пример

Mdl = fitcnet(X,Y) возвращается модель классификации нейронных сетей обучила использование предикторов в матричном X и класс помечает в векторном Y.

пример

Mdl = fitcnet(___,Name,Value) 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 LayerSizes и Activations аргументы name-value.

Примеры

свернуть все

Скрипт Open Live Script

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))

Скрипт Open Live Script

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.

Скрипт Open Live Script

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
Скрипт Open Live Script

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
Скрипт Open Live Script

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.

Скрипт Open Live Script

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.

Входные параметры

свернуть все

Выборочные 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

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

Объяснительная 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 x1x2 , 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

Метки 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.

  • Длина Y должно быть равно количеству строк в Tbl или X.

  • Хорошая практика должна задать порядок класса при помощи ClassNames аргумент значения имени.

Типы данных: single | double | categorical | logical | char | string | cell

Данные 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})

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: 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.
Опции нейронной сети

свернуть все

Размеры 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]

Активация 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.

ЗначениеОписание
'relu'

Исправленный линейный модуль (ReLU), функция — Выполняет пороговую операцию на каждом элементе входа, где любое значение меньше, чем нуль обнуляется, то есть,

f(x)={x,x≥00,x<0

'tanh'

Гиперболическая касательная (tanh) функция — Применяется tanh функционируйте к каждому входному элементу

'sigmoid'

Сигмоидальная функция — Выполняет следующую операцию на каждом входном элементе:

f(x)=11+e−x

'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'

Функция, чтобы инициализировать веса полносвязного слоя в виде 'glorot' или 'he'.

ЗначениеОписание
'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'

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

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

Сила 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

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

Опции управления сходимостью

свернуть все

Уровень многословия в виде 0 или 1. 'Verbose' аргумент значения имени управляет суммой диагностической информации это fitcnet отображения в командной строке.

ЗначениеОписание
0fitcnet не отображает диагностическую информацию.
1fitcnet 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

Частота 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

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

Максимальное 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

Относительный допуск градиента в виде неотрицательного скаляра.

Пусть ℒt будьте функцией потерь в учебной итерации t, ∇ℒt будьте градиентом функции потерь относительно весов и смещений в итерации t, и ∇ℒ0 будьте градиентом функции потерь в начальной точке. Если max|∇ℒt|≤a⋅GradientTolerance, где a=max(1,min|ℒt|,max|∇ℒ0|), затем учебный процесс завершает работу.

Пример: 'GradientTolerance',1e-5

Типы данных: single | double

Допуск 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

Допуск 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

Данные 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.

Количество 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

Остановка 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

Другие опции классификации

свернуть все

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.

ЗначениеОписание
Вектор из положительных целых чисел

Каждая запись в векторе является значением индекса, указывающим, что соответствующий предиктор является категориальным. Значения индекса между 1 и p, где p количество предикторов, используемых, чтобы обучить модель.

Если fitcnet использует подмножество входных переменных как предикторы, затем функция индексирует предикторы с помощью только подмножество. CategoricalPredictors значения не считают переменную отклика, переменную веса наблюдения или любые другие переменные, которые не использует функция.

Логический вектор

true запись означает, что соответствующий предиктор является категориальным. Длиной вектора является p.

Символьная матрицаКаждая 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 векторовКаждым 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

Имена 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

Переменный 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

Имя 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

Выиграйте преобразование в виде вектора символов, строкового скаляра или указателя на функцию.

Эта таблица суммирует доступные векторы символов и строковые скаляры.

ЗначениеОписание
"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

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.

Опции перекрестной проверки

свернуть все

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

Раздел 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.

Часть 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:

  1. Случайным образом выберите и зарезервируйте p*100% из данных как данные о валидации, и обучают модель с помощью остальной части данных.

  2. 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

Количество 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:

  1. Случайным образом разделите данные в k наборы.

  2. Для каждого набора зарезервируйте набор как данные о валидации и обучите модель с помощью другого k – 1 набор.

  3. 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

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:

  1. Зарезервируйте одно наблюдение как данные о валидации и обучите модель с помощью другого n – 1 наблюдение.

  2. 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'

Опции гипероптимизации параметров управления

свернуть все

Параметры, 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'

Опции для оптимизации в виде структуры. Этот аргумент изменяет эффект OptimizeHyperparameters аргумент значения имени. Все поля в структуре являются дополнительными.

Имя поляЗначенияЗначение по умолчанию
Optimizer

  • 'bayesopt' — Используйте Байесовую оптимизацию. Внутренне, эта установка вызовы bayesopt.

  • 'gridsearch' — Используйте поиск сетки с NumGridDivisions значения на размерность.

  • 'randomsearch' — Поиск наугад среди MaxObjectiveEvaluations 'points'.

'gridsearch' поисковые запросы в произвольном порядке, с помощью универсальной выборки без замены от сетки. После оптимизации можно получить таблицу в порядке сетки при помощи команды sortrows(Mdl.HyperparameterOptimizationResults).

'bayesopt'
AcquisitionFunctionName

  • 'expected-improvement-per-second-plus'

  • 'expected-improvement'

  • 'expected-improvement-plus'

  • 'expected-improvement-per-second'

  • 'lower-confidence-bound'

  • 'probability-of-improvement'

Захват функционирует, чьи имена включают per-second не приводите к восстанавливаемым результатам, потому что оптимизация зависит от времени выполнения целевой функции. Захват функционирует, чьи имена включают plus измените их поведение, когда они сверхиспользуют область. Для получения дополнительной информации смотрите Типы Функции Захвата.

'expected-improvement-per-second-plus'
MaxObjectiveEvaluationsМаксимальное 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 tic и toc. Время выполнения может превысить MaxTime потому что MaxTime не делает оценок функции обработки прерываний.

Inf
NumGridDivisionsДля '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
ShowPlotsЛогическое 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
SaveIntermediateResultsЛогическое 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:

  • 0 — Никакое итеративное отображение

  • 1 Итеративное отображение

  • 2 — Итеративное отображение с дополнительной информацией

Для получения дополнительной информации смотрите bayesopt Verbose аргумент значения имени и пример Оптимизируют Подгонку Классификатора Используя Байесовую Оптимизацию.

1
UseParallelЛогическое 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 false, оптимизатор использует один раздел для оптимизации.

Установка true обычно дает большинство устойчивых результатов, потому что это принимает шум разделения во внимание. Однако для хороших результатов, true требует, по крайней мере, вдвое большего количества вычислений функции.

false
Используйте не больше, чем одну из следующих трех опций.
CVPartitioncvpartition объект, как создано cvpartition'Kfold',5 если вы не задаете поле перекрестной проверки
HoldoutСкаляр в области значений (0,1) представление части затяжки
KfoldЦелое число, больше, чем 1

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

Типы данных: struct

Выходные аргументы

свернуть все

Обученный 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.

Больше о

свернуть все

Структура нейронной сети

Классификатор нейронной сети по умолчанию имеет следующую структуру слоя.

СтруктураОписание

Default neural network classifier structure, with one customizable fully connected layer with a ReLU activation

Введите — Этот слой соответствует данным о предикторе в Tbl или X.

Первый полносвязный слой — Этот слой имеет 10 выходных параметров по умолчанию.

  • Можно расширить слой или добавить более полно соединенные слои в сеть путем определения LayerSizes аргумент значения имени.

  • Можно найти веса и смещения для этого слоя в Mdl.LayerWeights{1} и Mdl.LayerBiases{1} свойства Mdl, соответственно.

Функция активации ReLU — fitcnet применяет эту функцию активации к первому полносвязному слою.

  • Можно изменить функцию активации путем определения Activations аргумент значения имени.

Итоговый полносвязный слой — Этот слой имеет K выходные параметры, где K является количеством классов в переменной отклика.

  • Можно найти веса и смещения для этого слоя в Mdl.LayerWeights{end} и Mdl.LayerBiases{end} свойства Mdl, соответственно.

Функция Softmax (и для двоичного файла и для классификации мультиклассов) — fitcnet применяет эту функцию активации к итоговому полносвязному слою. Функция берет каждый вход xi и возвращает следующее, где K является количеством классов в переменной отклика:

f(xi)=exp(xi)∑j=1Kexp(xj).

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.

Советы

  • Всегда пытайтесь стандартизировать числовые предикторы (см. Standardize). Стандартизация делает предикторы нечувствительными к шкалам, по которым они измеряются.

Алгоритмы

свернуть все

Учебный решатель

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.

Ссылки

[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.

Расширенные возможности

Смотрите также

| | | | | | |

Темы

Введенный в R2021a

Документация Statistics and Machine Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте