改装
类:FeatureSelectionNCARegression
改装社区成分分析(NCA)回归模型
语法
mdlrefit =改装(mdl、名称、值)
输入参数
mdl
- - - - - -社区组件为回归分析模型
FeatureSelectionNCARegression
对象
社区组件分析模型或分类,指定为一个FeatureSelectionNCARegression
对象。
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
FitMethod
- - - - - -拟合模型的方法
mdl.FitMethod
(默认)|“准确”
|“没有”
|“平均”
方法拟合模型,指定为逗号分隔组成的“FitMethod”
和一个以下。
“准确”
——执行配件使用的所有数据。“没有”
——不合适。使用这个选项来评估NCA模型的泛化误差使用最初的功能权重提供调用fsrnca
。“平均”
——函数将数据划分为分区(子集),符合每个分区使用确切的
方法,并返回特征权重的平均值。您可以指定分区使用的数量NumPartitions
名称-值对的论点。
例子:“FitMethod”、“没有”
λ
- - - - - -正则化参数
mdl.Lambda
(默认)|非负的标量值
正则化参数,指定为逗号分隔组成的“λ”
和非负的标量值。
为n观察,最好的λ
值最小化NCA模型的泛化误差预计是1 /的倍数n
例子:“λ”,0.01
数据类型:双
|单
解算器
- - - - - -解算器类型
mdl.Solver
(默认)|“lbfgs”
|“sgd”
|“minibatch-lbfgs”
解算器类型权重估计特性,指定为逗号分隔组成的“规划求解”
和一个以下。
“lbfgs”
-内存有限bfg (Broyden-Fletcher-Goldfarb-Shanno)算法(LBFGS算法)“sgd”
——随机梯度下降法“minibatch-lbfgs”
-与LBFGS随机梯度下降算法应用于mini-batches
例子:“规划求解”、“minibatch-lbfgs”
InitialFeatureWeights
- - - - - -初始特征权重
mdl.InitialFeatureWeights
(默认)|p1真正积极的标量值的向量
初始特征权重,指定为逗号分隔组成的“InitialFeatureWeights”
和一个p1真正积极的标量值的向量。
数据类型:双
|单
详细的
- - - - - -冗长的水平指标
mdl.Verbose
(默认)|0|1|> 1
指标冗长水平收敛摘要显示,指定为逗号分隔组成的“详细”
和一个以下。
0 -不收敛的总结
1 -收敛总结包括迭代数,梯度的规范,和目标函数值。
> 1 -更融合的信息根据拟合的算法
当使用解算器
“minibatch-lbfgs”
和冗长水平> 1,中间的收敛迭代日志信息包括mini-batch LBFGS适合。
例子:“详细”,2
数据类型:双
|单
GradientTolerance
- - - - - -相对收敛公差
mdl.GradientTolerance
(默认)|积极的真正的标量值
相对收敛公差的梯度准则求解器进行求解lbfgs
,指定为逗号分隔两人组成的“GradientTolerance”
和积极的真正的标量值。
例子:“GradientTolerance”, 0.00001
数据类型:双
|单
InitialLearningRate
- - - - - -最初的学习速度解算器sgd
mdl.InitialLearningRate
(默认)|积极的真正的标量值
最初的学习速度解算器sgd
,指定为逗号分隔两人组成的“InitialLearningRate”
和积极的标量值。
当使用解算器类型“sgd”
,学习速率随迭代从指定的值“InitialLearningRate”
。
例子:“InitialLearningRate”, 0.8
数据类型:双
|单
PassLimit
- - - - - -最大数量的解决者“sgd”
mdl.PassLimit
(默认)|正整数的值
最大数量的解决者“sgd”
(随机梯度下降),指定为逗号分隔组成的“PassLimit”
和一个正整数。每一个传递过程尺寸(mdl.X, 1)
观察。
例子:“PassLimit”, 10
数据类型:双
|单
IterationLimit
- - - - - -最大迭代次数
mdl.IterationLimit
(默认)|正整数的值
最大迭代次数,指定为逗号分隔组成的“IterationLimit”
和一个正整数。
例子:“IterationLimit”, 250年
数据类型:双
|单
输出参数
mdlrefit
——社区组件为回归分析模型
FeatureSelectionNCARegression
对象
社区组件分析模型或分类,作为一个返回FeatureSelectionNCARegression
对象。你可以将结果保存为新模型或更新现有的模型mdl =改装(mdl、名称、值)
。
例子
改装NCA模型回归与修改设置
加载示例数据。
负载(“robotarm.mat”)
的robotarm
(pumadyn32nm)创建数据集使用机器人手臂训练模拟器7168和1024测试观察32特性[1],[2]。这是一个原始数据的预处理版本集。数据预处理通过减去线性回归适合单元方差其次是所有功能正常化。
计算没有特征选择的泛化误差。
nca = fsrnca (Xtrain ytrain,“FitMethod”,“没有”,“标准化”1);L =损失(nca, Xtest欧美)
L = 0.9017
现在,改装与特征选择模型和计算预测损失,
= 0(没有正则化项)和比较之前的损失值,来确定特征选择似乎这个问题的必要条件。你不改变的设置,改装
使用初始模型的设置nca
。例如,它使用中的特征权重nca
作为初始特征权重。
nca2 =改装(nca,“FitMethod”,“准确”,“λ”,0);L2 =损失(nca2 Xtest、欧美)
L2 = 0.1088
减少损失表明,特征选择是必要的。
画出功能权重。
图()图(nca2.FeatureWeights,“罗”)
调优正则化参数通常改善结果。假设,在调优
用交叉验证的在NCA调整正则化参数回归,最好的
价值发现是0.0035。改装的nca
使用这个模型
值和随机梯度下降法求解。计算预测损失。
nca3 =改装(nca2,“FitMethod”,“准确”,“λ”,0.0035,…“规划求解”,“sgd”);L3 =损失(nca3 Xtest、欧美)
L3 = 0.0573
画出功能权重。
图()图(nca3.FeatureWeights,“罗”)
后调优正则化参数,减少更多的损失和软件识别的四个特性相关。
引用
[1]Rasmussen, c, E。,R. M. Neal, G. E. Hinton, D. van Camp, M. Revow, Z. Ghahramani, R. Kustra, and R. Tibshirani. The DELVE Manual, 1996,https://mlg.eng.cam.ac.uk/pub/pdf/RasNeaHinetal96.pdf
版本历史
介绍了R2016b
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。