主要内容

rowexch

行交换

句法

Dre = Rowexch（Nfactors，nruns）
(dRE, X) = rowexch (nfactors nruns)
(dRE, X) = rowexch (nfactors nruns,模型）
[dre，x] = rowexch（...，param1那Val1.那param2那val2.，......）

描述

Dre = Rowexch（Nfactors，nruns）使用行交换算法生成D.- 优化的设计衣服和尼伦斯运行（行衣服)的线性可加模型nfactors因素（柱子）衣服)．该模型包含一个常数项。

(dRE, X) = rowexch (nfactors nruns)也返回相关的设计矩阵X，其列是在每个处理（行）的模型术语衣服．

(dRE, X) = rowexch (nfactors nruns,模型）使用指定的线性回归模型模型．模型是下列情况之一:

  • '线性'- 常数和线性术语。这是默认值。

  • '相互作用'- 常数，线性和互动条款

  • “二次”- 常数，线性，互动和平方术语

  • 'purequadratic'- 常数，线性和平方术语

列的顺序X为一个完整的二次模型N.条件是:

  1. 常数项

  2. 线性项在(1,2，…)N.

  3. 顺序（1,2），（1,3），...，（1，N.），（2,3），......，（N.-1，N.）

  4. 平方术语为1,2，...，...，...，...，N.

其他模型以相同的顺序使用这些术语的子集。

或者，模型可以是指定任意顺序的多项式条款的矩阵。在这种情况下，模型模型中每个因素应该有一列，每个项应该有一行。的任意行中的项模型为列中因子的幂。例如，如果一个模型有因子X1那X2,X3，然后是一排[0 1 2]在模型指定术语(X1。^ 0)* (X2 ^ 1)。* (X3。^ 2)．全是0的一行模型指定可以省略的常量术语。

[dre，x] = rowexch（...，param1那Val1.那param2那val2.，......）指定设计的其他参数/​​值对。下表列出了有效参数及其值。

范围 价值
“界限”

每个因素的下限和上限，指定为a2——- - - - - -nfactors矩阵。或者，该值可以是包含的单元数组nfactors元素，每个元素指定对应因子的允许值向量。
'分类'

分类预测因子的指标。
“显示”

要么'在'或“关闭”控制迭代计数器的显示。默认为'在'．
'不包括@'

处理不包括不良运行的函数。如果函数是F，它必须支持语法金宝appB.=F（S.）， 在哪里S.是一种治疗矩阵nfactors列和B.是带布尔值的矢量，带有相同数量的行数S.．B.（一世如果是的话是真的一世th行S.应该被排除在外。
“init”

初始设计为尼伦斯——- - - - - -nfactors矩阵。默认值是随机选择的一组点。
“水平”

每个因子的层次数向量。
'maxiter'

最大迭代次数。默认为10.．
选项

一种结构，它指定是否并行运行，并指定随机流或流。创建选项结构与statset．此选项需要并行计算工具箱™。选项字段是：

  • 使用指α.——设置为真正的并行计算并行计算默认为错误的．

  • Userumstreams.——设置为真正的以可重复的方式并行计算。默认为错误的．计算可重复的，设置流到允许子流的类型:'mlfg6331_64'或'MRG32K3A'．

  • 流- 一种randstream.这些对象的对象或小区阵列。如果您未指定流那rowexch使用默认流或流。如果您选择指定流，使用一个对象，除了在情况

    • 使用指α.是真正的

    • Userumstreams.是错误的

    在这种情况下，使用与Parallel池相同大小的单元格数组。
“尝试”

尝试从一个新的起点生成一个设计。除了可能的第一次外，算法每次尝试都使用随机点。默认为1．

例子

假设您希望设计为估计以下三因素的参数，七个互动模型：

y = β 0. + β 1 X + 1 β 2 X + 2 β 3. X + 3. β 12. X X 1 + 2 β 13. X X 1 + 3. β 23. X X 2 + 3. ε

使用rowexch生成A.D.-优化设计，七次运行:

nfactors = 3;nruns = 7;(dRE, X) = rowexch (nfactors nruns,“互动”,“尝试”,10)dRE = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 X = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

设计矩阵的列X是在每行设计中评估的模型术语衣服．这些项从左到右依次出现:常数项、线性项(1,2,3)、相互作用项(12,13,23)。使用X适合模型，如上所述线性回归，在设计点测量的响应数据衣服．

算法

这两个灯笼和rowexch使用迭代搜索算法。它们通过逐步更改初始设计矩阵来操作X增加D.= |XT.X|在每一步。在这两种算法中，存在随机内置于选择初始设计中，并选择增量变化的选择。结果，这两个算法都可以在本地返回，但在全球范围内，D.- 优化的设计。多次运行每种算法，然后选择最终设计的最佳结果。这两个函数都有一个“尝试”可自动执行此重复和比较的参数。

在每个步骤中，行交换算法交换整行X用设计矩阵中的一行C在一组可行的治疗方案上进行评估。的rowexch函数自动生成C适用于指定的模型，分两步操作，通过调用坎和烛光按顺序函数。提供自己的C通过呼叫烛光直接地。在任何一种情况下，如果C大时，它在内存中的静态存在会影响计算。

扩展能力

也可以看看

||

之前介绍过的R2006a

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书