文档帮助中心文档
FeatureSelectionNCARegression
基于邻域成分分析(NCA)的回归特征选择
FeatureSelectionNCARegression包含邻域分量分析(NCA)模型的数据、拟合信息、特征权重和其他模型参数。fsrnca使用NCA的对角自适应学习特征权重,并返回FeatureSelectionNCARegression对象。该函数通过正则化特征权重来实现特征选择。
fsrnca
创建一个FeatureSelectionNCAClassification对象使用fsrnca.
FeatureSelectionNCAClassification
全部展开
NumObservations
训练数据中的观测次数(X和Y)移除后楠或Inf值,存储为标量。
X
Y
楠
Inf
数据类型:双
双
模型参数
用于训练模型的模型参数,存储为结构。
您可以访问模型参数使用点符号。
例如,对于名为mdl,您可以访问LossFunction价值使用mdl.ModelParameters.LossFunction.
mdl
LossFunction
mdl.ModelParameters.LossFunction
数据类型:结构
结构
兰姆达
用于训练此模型的正则化参数,存储为标量。对于N观察,最好的兰姆达将NCA模型的概化误差最小化的值预期为1/的倍数N.
菲特法
“准确”
“没有”
“平均”
用于拟合该模型的拟合方法名称,存储为:
“准确”-使用所有数据进行拟合。
“没有”——不合适。使用此选项,可以使用调用中提供的初始特征权重来评估NCA模型的泛化误差fsrnca.
“平均”—软件将数据划分为多个分区(子集),使用确切的方法,并返回特征权重的平均值。您可以使用数量名称-值对参数。
确切的
数量
解算器
“lbfgs”
“新加坡元”
“minibatch-lbfgs”
用于拟合此模型的解算器的名称,存储为以下内容之一:
“lbfgs”-有限内存Broyden-Fletcher-Goldfarb-Shanno(LBFGS)算法
“新加坡元”-随机梯度下降(SGD)算法
“minibatch-lbfgs”-基于LBFGS算法的随机梯度下降法在小批量生产中的应用
梯度公差
梯度范数的相对收敛容限“lbfgs”和“minibatch-lbfgs”解算器,存储为正标量值。
IterationLimit
优化的最大迭代次数,存储为正整数值。
通行限制
最大通过次数为“新加坡元”和“minibatch-lbfgs”解算器。每次传递都会处理数据中的所有观察结果。
初始学习率
学生的初始学习率“新加坡元”和“minibatch-lbfgs”解算器。从指定的值开始,学习速率在迭代过程中衰减初始学习率.
使用NumTuningIterations和调整子集控制调用中初始学习速率的自动调谐fsrnca.
NumTuningIterations
调整子集
冗长的
详细程度级别指示符,存储为非负整数。可能的值是:
0-无收敛性摘要
1 -收敛总结,包括梯度范数和目标函数值
>1 -更多的收敛信息,取决于拟合算法。当你使用“minibatch-lbfgs”解算器和详细级别>1时,收敛信息包括中间小批量LBFGS拟合的迭代日志。
初始特征权重
初始特征权重,存储为P-正实标量的by-1向量,其中P预测器的数量在吗X.
特征重量
特征权重,存储为P实标量值的-乘1向量,其中P预测器的数量在吗X.
对于“FitMethod”等于“平均”,特征重量是一个P——- - - - - -M矩阵,在哪里M分区的数量是否通过“NumPartitions”的调用中的名称-值对参数fsrnca.
“FitMethod”
“NumPartitions”
绝对值特征权重(k)是对预测者重要性的衡量吗K.如果特征权重(k)接近于0,那么这表示预测因子K不会影响中的响应Y.
特征权重(k)
K
FitInfo
Fit信息,存储为具有以下字段的结构。
迭代
客观的
UnregularizedObjective
梯度
对于分类,UnregularizedObjective表示NCA分类器对训练数据的漏一准确率的负数。
对于回归,UnregularizedObjective表示使用NCA回归模型时真实响应与预测响应之间的漏一损失。
为“lbfgs”解决方案,梯度是最后的梯度。为“新加坡元”和“minibatch-lbfgs”解决方案,梯度为最终的小批量梯度。
如果菲特法是“平均”然后FitInfo是一个M-by-1结构数组M分区的数量是否通过“NumPartitions”名称-值对参数。
您可以访问FitInfo使用点表示法。例如,对于名为mdl,您可以访问客观的现场使用mdl.FitInfo.Objective.
mdl.FitInfo.Objective
μ
[]
预测器的意思,存储为P-标准化训练数据的by-1向量。在这种情况下预测预测矩阵法X通过减去μ从每一列。
预测
如果在培训期间数据没有标准化,那么μ是空的。
σ
预测标准偏差,存储为P-标准化训练数据的by-1向量。在这种情况下预测方法尺度预测矩阵X通过将每列除以σ对中后数据使用μ.
如果在培训期间数据没有标准化,那么σ是空的。
用于训练此模型的预测值,存储为N——- - - - - -P矩阵。N观察的次数是多少P是训练数据中预测变量的数量。
用于训练此模型的响应值,存储为大小的数字向量N,其中n为观测次数。
W
用于训练此模型的观测权重,存储为大小的数值向量N.观测权之和为N.
全部崩溃
加载示例数据。
负载进口-85
前15列包含连续预测变量,而第16列包含响应变量,即汽车价格。定义邻域组件分析模型的变量。
预测= X (: 1:15);Y = X (: 16);
拟合邻域成分分析(NCA)模型进行回归,以检测相关特征。
mdl=fsrnca(预测因子,Y);
返回的NCA模型,mdl,是一个FeatureSelectionNCARegression对象此对象存储有关训练数据、模型和优化的信息。可以使用点表示法访问对象特性,例如特征权重。
绘制特征权重。
图()图(mdl。FeatureWeights,“罗”)包含(“功能索引”) ylabel (“功能重量”网格)在
无关特征的权值为零。这个“详细”,1调用中的选项fsrnca在命令行上显示优化信息。您还可以通过绘制目标函数与迭代次数来可视化优化过程。
“详细”,1
figure()绘图(mdl.FitInfo.Iteration、mdl.FitInfo.Objective、,“ro - - - - - -”网格)在包含(的迭代次数) ylabel (“目标”)
这个模型参数财产是一种财富结构其中包含有关模型的更多信息。可以使用点表示法访问此属性的字段。例如,查看数据是否标准化。
mdl.ModelParameters.Standardize
ans=必然的0
0说明在拟合NCA模型前数据未标准化。你可以标准化预测当它们在非常不同的尺度上使用“标准化”,1的调用中的名称-值对参数fsrnca.
0
“标准化”,1
价值要了解值类如何影响复制操作,请参见复制对象.
预测|fsrnca|改装|损失
改装
损失
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。
与当地办事处联系