FeatureSelectionNCARegression类
特征选择回归使用社区成分分析(NCA)
描述
FeatureSelectionNCARegression
包含数据,拟合信息、特征权重和其他模型参数的一个社区成分分析(NCA)模型。fsrnca
学习使用对角特征权重改编的NCA并返回的一个实例FeatureSelectionNCARegression
对象。正则化函数实现特征选择的特征权重。
建设
创建一个FeatureSelectionNCAClassification
对象使用fsrnca
。
属性
NumObservations
- - - - - -在训练数据的观察
标量
训练数据的观测数量(X
和Y
后删除南
或正
值,存储为一个标量。
数据类型:双
ModelParameters
- - - - - -模型参数
结构
模型参数用于训练模型、存储结构。
您可以访问的字段ModelParameters
使用点符号。
例如,对于一个FeatureSelectionNCARegression对象命名mdl
,你可以访问LossFunction
使用价值mdl.ModelParameters.LossFunction
。
数据类型:结构体
λ
- - - - - -正则化参数
标量
正则化参数用于训练该模型中,存储为一个标量。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。
数据类型:双
FitMethod
- - - - - -拟合方法的名称符合这一模式
“准确”
|“没有”
|“平均”
拟合方法的名称符合这一模型中,存储为以下之一:
“准确”
——使用的所有数据进行拟合。“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”
——软件将数据划分为分区(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。
解算器
- - - - - -解算器的名称用于符合这一模式
“lbfgs”
|“sgd”
|“minibatch-lbfgs”
解算器的名称用于符合这一模型中,存储为以下之一:
“lbfgs”
-内存有限Broyden-Fletcher-Goldfarb-Shanno (LBFGS)算法“sgd”
随机梯度下降法(SGD)算法“minibatch-lbfgs”
-与LBFGS随机梯度下降算法应用于mini-batches
GradientTolerance
- - - - - -相对收敛公差梯度准则
积极的标量
相对收敛宽容的梯度准则“lbfgs”
和“minibatch-lbfgs”
解决,存储为一个积极的标量值。
数据类型:双
IterationLimit
- - - - - -最大数量的迭代优化
正整数
最大数量的迭代优化,存储为一个正整数的值。
数据类型:双
PassLimit
- - - - - -最大数量的经过
正整数
最大数量的通行证“sgd”
和“minibatch-lbfgs”
解决者。每个传递过程中的所有观测数据。
数据类型:双
InitialLearningRate
- - - - - -最初的学习速率
积极的真正的标量
初始学习速率“sgd”
和“minibatch-lbfgs”
解决者。学习速率随迭代从指定的值InitialLearningRate
。
使用NumTuningIterations
和TuningSubsetSize
控制自动调优初始学习速率的调用fsrnca
。
数据类型:双
详细的
- - - - - -冗长的水平指示器
非负整数
冗长的水平指示器,存储为一个非负整数。可能的值是:
0 -不收敛的总结
1 -收敛性总结,包括梯度准则和目标函数值
> 1 -更收敛性的信息,根据拟合的算法。当你使用
“minibatch-lbfgs”
解算器和冗长水平> 1,收敛的迭代日志信息包括中间mini-batch LBFGS适合。
数据类型:双
InitialFeatureWeights
- - - - - -初始特征权重
p1矢量正真正的标量
初始特征权重,存储为一个p1积极的真正的标量,矢量p预测的数量吗X
。
数据类型:双
FeatureWeights
- - - - - -特征权值
p1真正标量值的向量
特征权重,存储为一个p1真正的标量值向量,p预测的数量吗X
。
为“FitMethod”
等于“平均”
,FeatureWeights
是一个p——- - - - - -米矩阵,米通过指定分区的数量吗“NumPartitions”
调用的名称-值对的论点fsrnca
。
的绝对值FeatureWeights (k)
是一个衡量预测的重要性k
。如果FeatureWeights (k)
接近0,那么这表明预测k
不影响反应Y
。
数据类型:双
FitInfo
- - - - - -合适的信息
结构
健康信息,存储为与以下领域的结构。
字段名 | 意义 |
---|---|
迭代 |
迭代索引 |
客观的 |
正规化为最小化目标函数 |
UnregularizedObjective |
Unregularized为最小化目标函数 |
梯度 |
梯度正则化目标函数的最小化 |
的分类,
UnregularizedObjective
代表的负面分析NCA分类器在训练数据的准确性。对于回归,
UnregularizedObjective
代表分析损失之间的真实反应,当使用NCA回归模型预测反应。为
“lbfgs”
解算器,梯度
是最后的梯度。为“sgd”
和“minibatch-lbfgs”
解决,梯度
是最终mini-batch梯度。如果
FitMethod
是“平均”
,然后FitInfo
是一个米1结构数组,在那里米通过指定分区的数量吗“NumPartitions”
名称-值对的论点。
您可以访问的字段FitInfo
使用点符号。例如,对于一个FeatureSelectionNCARegressionobject命名mdl
,你可以访问客观的
现场使用mdl.FitInfo.Objective
。
数据类型:结构体
μ
- - - - - -预测方法
p1的向量|[]
预测方法,存储为一个p1向量进行标准化的训练数据。在这种情况下,预测
方法中心预测矩阵X
减去相应的元素μ
从每一列。
如果数据不是标准化的培训期间,μ
是空的。
数据类型:双
σ
- - - - - -预测标准差
p1的向量|[]
预测标准差,存储为一个p1向量进行标准化的训练数据。在这种情况下,预测
方法尺度预测矩阵X
每一列除以各自的元素σ
在定心数据后使用μ
。
如果数据不是标准化的培训期间,σ
是空的。
数据类型:双
X
- - - - - -预测的值
n——- - - - - -p矩阵
用来训练该模型预测值,存储为一个n——- - - - - -p矩阵。n是观察和的数量吗p是训练数据中预测变量的数量。
数据类型:双
Y
- - - - - -响应值
数字矢量的大小n
响应值用来训练该模型中,存储为数字矢量的大小n,其中n是观测的数量。
数据类型:双
W
- - - - - -观察权重
数字矢量的大小n
观察权重训练该模型使用,存储为数字矢量的大小n。观察权重的总和n。
数据类型:双
例子
探索FeatureSelectionNCARegression
对象
加载示例数据。
负载进口- 85
第一个15列包含连续预测变量,而16列包含响应变量,这是一辆车的价格。为社区组件定义的变量分析模型。
预测= X (: 1:15);Y = X (: 16);
适合附近成分分析(NCA)回归模型来检测相关的特性。
mdl = fsrnca(预测,Y);
返回NCA模型,mdl
,是一个FeatureSelectionNCARegression
对象。这个对象存储训练数据的信息,模型,和优化。您可以访问对象属性,如功能权重,使用点符号。
画出功能权重。
图()图(mdl.FeatureWeights,“罗”)包含(“功能指数”)ylabel (“功能重量”网格)在
无关紧要的特征的权重为零。的“详细”,1
在调用选项fsrnca
在命令行上显示优化信息。你也可以可视化优化过程策划目标函数和迭代数。
图()图(mdl.FitInfo.Iteration mdl.FitInfo.Objective,“ro - - - - - -”网格)在包含(的迭代次数)ylabel (“目标”)
的ModelParameters
属性是一个结构体
模型包含更多的信息。您可以访问的字段属性使用点符号。例如,看看数据是否标准化。
mdl.ModelParameters.Standardize
ans =逻辑0
0
意味着之前的数据没有标准化NCA模型拟合。你可以规范预测时在不同尺度的使用“标准化”,1
调用的名称-值对的论点fsrnca
。
复制语义
价值。学习如何价值类影响复制操作,明白了复制对象。
版本历史
介绍了R2016b
Beispiel offnen
您有一张这本Beispiels geanderte版本。您这本Beispiel麻省理工学院古老Anderungen offnen吗?
MATLAB-Befehl
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
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。