bayesopt
选择最优的机器学习hyperparameters使用贝叶斯优化
描述
例子
创建一个BayesianOptimization
对象使用bayesopt
这个例子显示了如何创建一个BayesianOptimization
对象的使用bayesopt
交叉验证损失减小到最低限度。
优化hyperparameters的资讯分类器电离层
数据,也就是说,找到资讯hyperparameters,交叉验证损失最小化。有bayesopt
减少在接下来hyperparameters:
Nearest-neighborhood大小从1到30
距离函数
“chebychev”
,“欧几里得”
,闵可夫斯基的
。
设置随机种子,再现性设置分区,并设置AcquisitionFunctionName
选项“expected-improvement-plus”
。抑制迭代显示、设置“详细”
来0
。通过分区c
和拟合数据X
和Y
的目标函数有趣的
通过创建有趣的
一个匿名函数,包含这些数据。看到参数化功能。
负载电离层rng默认的num = optimizableVariable (“n”(1、30),“类型”,“整数”);dst = optimizableVariable (dst的,{“chebychev”,“欧几里得”,闵可夫斯基的},“类型”,“分类”);c = cvpartition (351“Kfold”5);有趣= @ (x) kfoldLoss (fitcknn (x, Y,“CVPartition”c“NumNeighbors”x.n,…“距离”char (x.dst),“NSMethod”,“详尽”));结果= bayesopt(有趣,(num, dst),“详细”0,…“AcquisitionFunctionName”,“expected-improvement-plus”)
结果= BayesianOptimization属性:ObjectiveFcn: [function_handle] VariableDescriptions: [1 x2 optimizableVariable]选项:[1 x1 struct] MinObjective: 0.1197 XAtMinObjective: [1 x2表]MinEstimatedObjective: 0.1213 XAtMinEstimatedObjective: [1 x2表]NumObjectiveEvaluations: 30 TotalElapsedTime: 51.1317 NextPoint: [1 x2表]XTrace: [30 x2表]ObjectiveTrace: [30 x1双]ConstraintsTrace: [] UserDataTrace: {30 x1细胞}ObjectiveEvaluationTimeTrace: [30 x1双]IterationTimeTrace: [30 x1双]ErrorTrace: [30 x1双]FeasibilityTrace: [30 x1逻辑]FeasibilityProbabilityTrace: [30 x1双]IndexOfMinimumTrace: [30 x1双]ObjectiveMinimumTrace: [30 x1双]EstimatedObjectiveMinimumTrace: [30 x1双]
贝叶斯与耦合约束优化
耦合约束,只能通过评估来评估目标函数。在这种情况下,目标函数是旨在支持向量机模型的损失。耦合约束是支持向量的个数不超过100。金宝app模型的细节优化旨在使用bayesopt分类器。
创建的数据分类。
rng默认的grnpop = mvnrnd((1,0)、眼睛(2),10);redpop = mvnrnd([0, 1],眼(2),10);redpts = 0 (100 2);grnpts = redpts;为i = 1:10 0 grnpts(我:)= mvnrnd (grnpop(兰迪(10):)、眼睛(2)* 0.02);redpts(我)= mvnrnd (redpop(兰迪(10):)、眼睛(2)* 0.02);结束cdata = [grnpts; redpts];grp = 1 (200 1);grp (101:200) = 1;c = cvpartition (200“KFold”10);σ= optimizableVariable (“σ”(1 e-5, 1 e5),“转换”,“日志”);盒= optimizableVariable (“盒子”(1 e-5, 1 e5),“转换”,“日志”);
目标函数的支持向量机模型的交叉验证损失分区c
。耦合约束是支持向量的个数- 100.5。金宝app这将确保100支持向量给负约束值,但101年金宝app支持向量给出一个积极的价值。模型200数据点,所以耦合约束值的范围从-99.5(总有至少一个支持向量)至99.5。金宝app积极的价值观约束是不满足。
函数(目标、约束)= mysvmfun (x, cdata, grp, c) SVMModel = fitcsvm (grp cdata,“KernelFunction”,“rbf”,…“BoxConstraint”x.box,…“KernelScale”,x.sigma);cvModel = crossval (SVMModel,“CVPartition”c);目标= kfoldLoss (cvModel);约束=总和(SVMModel.IsSupportVect金宝appor) -100.5;
通过分区c
和拟合数据cdata
和grp
的目标函数有趣的
通过创建有趣的
一个匿名函数,包含这些数据。看到参数化功能。
有趣= @ (x) mysvmfun (x, cdata, grp, c);
设置NumCoupledConstraints
来1
因此,优化器知道耦合约束。情节设置选项约束模型。
结果= bayesopt(有趣,σ,盒子,“IsObjectiveDeterministic”,真的,…“NumCoupledConstraints”,1“PlotFcn”,…{@plotMinObjective, @plotConstraintModels},…“AcquisitionFunctionName”,“expected-improvement-plus”,“详细”,0);
大多数点导致支持向量的数目不可行。金宝app
平行的贝叶斯优化
通过使用并行提高贝叶斯优化的速度目标函数评价。
准备贝叶斯优化变量和目标函数。
目标函数是电离层数据交叉验证错误率,二进制分类问题。使用fitcsvm
作为分类器BoxConstraint
和KernelScale
参数优化。
负载电离层盒= optimizableVariable (“盒子”(1的军医,1 e3),“转换”,“日志”);kern = optimizableVariable (“仁”(1的军医,1 e3),“转换”,“日志”);var =(盒子,kern);有趣= @ (var) kfoldLoss (fitcsvm (X, Y,“BoxConstraint”vars.box,“KernelScale”vars.kern,…“Kfold”5));
搜索的参数给最低的交叉验证错误,使用并行贝叶斯优化。
结果= bayesopt (var,有趣“UseParallel”,真正的);
复制目标函数工人……完成目标函数复制到工人。
| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | Iter |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时|(观察)| (estim) | | | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 1 | 2 |接受| 0.2735 | 0.56171 | 0.13105 | 0.13108 | 0.0002608 | 0.2227 | | 2 | 2 |接受| 0.35897 | 0.4062 | 0.13105 | 0.13108 | 3.6999 | 344.01 | | 3 | 2 |接受| 0.13675 | 0.42727 | 0.13105 | 0.13108 | 0.33594 | 0.39276 | | 4 | 2 |接受| 0.35897 | 0.4453 | 0.13105 | 0.13108 | 0.014127 | 449.58 | | 5 | 2 |的| 0.13105 | 0.45503 | 0.13105 | 0.13108 | 0.29713 | 1.0859 |
| 6 | 6 |接受| 0.35897 | 0.16605 | 0.13105 | 0.13108 | 8.1878 | 256.9 |
最好| 7 | 5 | | 0.11396 | 0.51146 | 0.11396 | 0.11395 | 8.7331 | 0.7521 | | 8 | 5 |接受| 0.14245 | 0.24943 | 0.11396 | 0.11395 | 0.0020774 | 0.022712 |
最好| 9 | 6 | | 0.10826 | 4.0711 | 0.10826 | 0.10827 | 0.0015925 | 0.0050225 |
| 10 | 6 |接受| 0.25641 | 16.265 | 0.10826 | 0.10829 | 0.00057357 | 0.00025895 |
| | 6 | 11日接受| 0.1339 | 15.581 | 0.10826 | 0.10829 | 1.4553 | 0.011186 |
| 12 | 6 |接受| 0.16809 | 19.585 | 0.10826 | 0.10828 | 0.26919 | 0.00037649 |
| 13 | 6 |接受| 0.20513 | 18.637 | 0.10826 | 0.10828 | 369.59 | 0.099122 |
| | 6 | 14日接受| 0.12536 | 0.11382 | 0.10826 | 0.10829 | 5.7059 | 2.5642 |
| 15 | 6 |接受| 0.13675 | 2.63 | 0.10826 | 0.10828 | 984.19 | 2.2214 |
| 16 | 6 |接受| 0.12821 | 2.0743 | 0.10826 | 0.11144 | 0.0063411 | 0.0090242 |
| | 6 | 17日接受| 0.1339 | 0.1939 | 0.10826 | 0.11302 | 0.00010225 | 0.0076795 |
18岁| | 6 |接受| 0.12821 | 0.20933 | 0.10826 | 0.11376 | 7.7447 | 1.2868 |
| | 4 | 19日接受| 0.55556 | 17.564 | 0.10826 | 0.10828 | 0.0087593 | 0.00014486 | | 20 | 4 |接受| 0.1396 | 16.473 | 0.10826 | 0.10828 | 0.054844 | 0.004479 | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | Iter |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时|(观察)| (estim) | | | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | 4 | 21日接受| 0.1339 | 0.17127 | 0.10826 | 0.10828 | 9.2668 | 1.2171 |
| | 4 | 22日接受| 0.12821 | 0.089065 | 0.10826 | 0.10828 | 12.265 | 8.5455 |
| | 4 | 23日接受| 0.12536 | 0.073586 | 0.10826 | 0.10828 | 1.3355 | 2.8392 |
| | 4 | 24日接受| 0.12821 | 0.08038 | 0.10826 | 0.10828 | 131.51 | 16.878 |
| | 3 | 25日接受| 0.11111 | 10.687 | 0.10826 | 0.10867 | 1.4795 | 0.041452 | | | 3 | 26日接受| 0.13675 | 0.18626 | 0.10826 | 0.10867 | 2.0513 | 0.70421 |
| | 6 | 27日接受| 0.12821 | 0.078559 | 0.10826 | 0.10868 | 980.04 | 44.19 |
| | 5 | 28日接受| 0.33048 | 0.089844 | 0.10826 | 0.10843 | 0.41821 | 10.208 | | | 5 | 29日接受| 0.16239 | 0.12688 | 0.10826 | 0.10843 | 172.39 | 141.43 |
| 30 | 5 |接受| 0.11966 | 0.14597 | 0.10826 | 0.10846 | 639.15 | 14.75 |
__________________________________________________________优化完成。MaxObjectiveEvaluations 30。总功能评估:30总运行时间:48.2085秒。总目标函数评价时间:128.3472最佳观察可行点:盒子kern替0.0015925 - 0.0050225观察目标函数值= 0.10826估计目标函数值= 0.10846时间评估函数= 4.0711最佳估计可行点(根据模型):盒子kern替0.0015925 - 0.0050225估计目标函数值= 0.10846估计时间评估函数= 2.8307
回报最好的可行点贝叶斯模型结果
通过使用bestPoint
函数。使用默认的标准min-visited-upper-confidence-interval
,决定了最佳可行点的访问点最小化目标函数值较高的置信区间。
zb = bestPoint(结果)
zb =1×2表盒子kern替0.0015925 - 0.0050225
表zb
包含最优估计的值“BoxConstraint”
和“KernelScale”
名称-值对参数。使用这些值来训练新的分类器进行了优化。
Mdl = fitcsvm (X, Y,“BoxConstraint”zbest.box,“KernelScale”,zbest.kern);
观察到的最优参数Mdl
。
Mdl.BoxConstraints (1)
ans = 0.0016
Mdl.KernelParameters.Scale
ans = 0.0050
输入参数
有趣的
- - - - - -目标函数
函数处理|parallel.pool.Constant
谁的价值
是一个函数处理
目标函数,指定为一个函数处理,或者当UseParallel
名称-值对是真正的
,一个parallel.pool.Constant
(并行计算工具箱)谁的价值
是一个函数处理。通常情况下,有趣的
返回一个衡量的损失(如误分类错误)的机器学习模型可调hyperparameters控制培训。有趣的
这些签名:
目标=乐趣(x)%或(目标、约束)(x) =乐趣%或(目标、约束、用户数据)(x) =乐趣
有趣的
接受x
,1 -D
表变量值,并返回客观的
,一个真正的标量表示目标函数值有趣的(x)
。
可选地,有趣的
返回:
约束
,一个真正的矢量耦合约束违反。一个定义,请参阅耦合约束。约束(j) > 0
意味着约束j
是违反了。约束(j) < 0
意味着约束j
是满意的。用户数据
任何类型的一个实体(如一个标量、矩阵、结构或对象)。为自定义绘制函数,使用的一个例子用户数据
,请参阅创建一个自定义的函数。
有关详细信息,使用parallel.pool.Constant
与bayesopt
,请参阅将目标函数在工人。
例子:@objfun
数据类型:function_handle
var
- - - - - -变量描述
向量的optimizableVariable
对象定义hyperparameters调谐
变量描述,指定为一个向量的optimizableVariable
对象定义hyperparameters调谐。
例子:(X1, X2)
,在那里X1
和X2
是optimizableVariable
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。
例子:结果= bayesopt(乐趣、var AcquisitionFunctionName, expected-improvement-plus)
AcquisitionFunctionName
- - - - - -函数来选择下一个评估点
“expected-improvement-per-second-plus”
(默认)|“expected-improvement”
|“expected-improvement-plus”
|“expected-improvement-per-second”
|“lower-confidence-bound”
|“probability-of-improvement”
函数来选择下一个评估点,指定为一个上市的选择。
他们的名字包括采集功能每秒
不产生可重复的结果,因为优化取决于目标函数的运行时。他们的名字包括采集功能+
修改他们的行为当他们overexploiting面积。更多细节,请参阅获取函数类型。
例子:“AcquisitionFunctionName”、“expected-improvement-per-second”
IsObjectiveDeterministic
- - - - - -指定确定的目标函数
假
(默认)|真正的
指定确定目标函数,指定为假
或真正的
。如果有趣的
是随机的(也就是说,有趣的(x)
可以返回不同的值是一样的吗x
),然后设置IsObjectiveDeterministic
来假
。在这种情况下,bayesopt
在优化估计噪声水平。
例子:“IsObjectiveDeterministic”,真的
数据类型:逻辑
ExplorationRatio
- - - - - -探索倾向
0.5
(默认)|积极的现实
倾向于探索,指定为一个积极的现实。适用于“expected-improvement-plus”
和“expected-improvement-per-second-plus”
采集功能。看到+。
例子:“ExplorationRatio”, 0.2
数据类型:双
GPActiveSetSize
- - - - - -符合高斯过程模型GPActiveSetSize
或更少点
300年
(默认)|正整数
符合高斯过程模型GPActiveSetSize
或更少点,指定为一个正整数。当bayesopt
已经访问了超过GPActiveSetSize
点,后续迭代使用GP模型适应模型GPActiveSetSize
点。bayesopt
选择分均匀随机访问点之间不重复。使用更少的点会导致更快的GP模型拟合,以牺牲可能不准确拟合。
例子:“GPActiveSetSize”, 80年
数据类型:双
UseParallel
- - - - - -并行计算
假
(默认)|真正的
并行计算,指定为假
(不要并行计算)真正的
(并行计算)。并行计算需要并行计算工具箱™。
bayesopt
对并行执行并行目标函数同时评估工人。算法细节,请参阅平行的贝叶斯优化。
例子:“UseParallel”,真的
数据类型:逻辑
ParallelMethod
- - - - - -归责方法并行工作目标函数值
“clipped-model-prediction”
(默认)|模型预测的
|“max-observed”
|“min-observed”
归责方法并行工作目标函数值,指定为“clipped-model-prediction”
,模型预测的
,“max-observed”
,或“min-observed”
。生成一个新的点评价,bayesopt
适合所有点的高斯过程,包括工人的点被评估。以适应过程,bayesopt
背景为分目标函数值,目前工人。ParallelMethod
指定用于归责方法。
“clipped-model-prediction”
-转嫁的最大数量:意思是高斯过程预测点
x
最低可行点之间观察到目标函数访问
最小模型预测在所有可行点
模型预测的
——嫁祸于均值高斯过程预测点x
。“max-observed”
——嫁祸于可行点之间的最大观测目标函数值。“min-observed”
——转嫁中观察到的目标函数值最小的可行点。
例子:“ParallelMethod”、“max-observed”
MinWorkerUtilization
- - - - - -宽容活跃平行的工人
地板(0.8 * Nworkers)
(默认)|正整数
宽容在活动并行的工人的数量,指定为一个正整数。后bayesopt
分配一个点来评估,计算一个新的指向分配之前,它会检查是否不足MinWorkerUtilization
工人是活跃的。如果是这样,bayesopt
分配随机点在允许范围内所有可用的工人。否则,bayesopt
计算出最好的一名工人。bayesopt
创建随机点速度远远超过安装点,所以这种行为会导致更高的工人,利用的成本可能穷点。有关详细信息,请参见平行的贝叶斯优化。
例子:“MinWorkerUtilization”, 3
数据类型:双
MaxObjectiveEvaluations
- - - - - -目标函数评价限制
30.
(默认)|正整数
目标函数评价极限,指定为一个正整数。
例子:“MaxObjectiveEvaluations”, 60
数据类型:双
NumSeedPoints
- - - - - -最初的评估点的数量
4
(默认)|正整数
XConstraintFcn
- - - - - -确定性约束变量
[]
(默认)|函数处理
确定性约束变量指定为一个函数处理。
有关详细信息,请参见确定的约束——XConstraintFcn。
例子:XConstraintFcn, @xconstraint
数据类型:function_handle
ConditionalVariableFcn
- - - - - -条件变量约束
[]
(默认)|函数处理
条件变量约束,指定为一个函数处理。
有关详细信息,请参见有条件的约束,ConditionalVariableFcn。
例子:ConditionalVariableFcn, @condfun
数据类型:function_handle
NumCoupledConstraints
- - - - - -数量的耦合约束
0
(默认)|正整数
耦合约束,指定为一个正整数。有关详细信息,请参见耦合约束。
请注意
NumCoupledConstraints
当你有需要耦合约束。
例子:“NumCoupledConstraints”, 3
数据类型:双
AreCoupledConstraintsDeterministic
- - - - - -指示是否耦合约束是决定性的
真正的
对于所有耦合约束(默认)|逻辑向量
指示是否耦合约束是决定性的,指定为一个逻辑向量的长度NumCoupledConstraints
。有关详细信息,请参见耦合约束。
例子:“AreCoupledConstraintsDeterministic”(真的,假,真的)
数据类型:逻辑
详细的
- - - - - -命令行显示水平
1
(默认)|0
|2
命令行显示水平,指定为0
,1
,或2
。
0
——没有命令行显示。1
——在每一次迭代,显示迭代数,结果报告(见下一段),目标函数模型,目标函数评价时间、最佳(最低)观察到的目标函数值,最好的(最低)估计目标函数值,观察到的约束值(如果有的话)。并行优化的时候,还包括显示一列显示活动工人的数量,计算后将工作分配给下一个工人。每次迭代的结果报告是下列之一:
接受
——目标函数返回一个有限值,所有约束都满意。最好的
——满足约束条件和目标函数返回可行点间的最小值。错误
——目标函数返回值不是一个有限的标量。Infeas
——至少有一个约束违反。
2
- - - - - -一样1
,增加诊断信息,如时间来选择下一个点,模型拟合,表明“+”收购函数声明overexploiting和并行工人被分配到随机点由于平行利用率较低。
例子:“详细”,2
数据类型:双
OutputFcn
- - - - - -函数在每次迭代之后
{}
(默认)|函数处理|处理单元阵列的功能
函数在每次迭代之后,指定为一个函数处理或处理单元阵列的功能。输出函数可以停止解算器,可以执行任意的计算,包括创建变量或策划。指定多个输出函数使用一个函数处理的单元阵列。
有两种内置的输出函数:
@assignInBase
构造一个BayesianOptimization
实例在每个迭代和将它赋给一个变量的基本工作空间。选择一个变量名称使用SaveVariableName
名称-值对。@saveToFile
构造一个BayesianOptimization
实例在每个迭代和保存到一个文件在当前文件夹。选择一个文件名使用SaveFileName
名称-值对。
您可以编写自己的输出功能。有关详细信息,请参见贝叶斯优化输出功能。
例子:OutputFcn, {@saveToFile @myOutputFunction}
数据类型:细胞
|function_handle
SaveFileName
- - - - - -文件的名称@saveToFile
输出函数
“BayesoptResults.mat”
(默认)|特征向量|字符串标量
文件的名称@saveToFile
输出函数,指定为一个特征向量或字符串标量。文件名可以包含路径,如“. . /优化/ September2.mat”
。
例子:“SaveFileName”、“September2.mat”
数据类型:字符
|字符串
SaveVariableName
- - - - - -变量的名称@assignInBase
输出函数
“BayesoptResults”
(默认)|特征向量|字符串标量
变量的名称@assignInBase
输出函数,指定为一个特征向量或字符串标量。
例子:“SaveVariableName”、“September2Results”
数据类型:字符
|字符串
PlotFcn
- - - - - -每次迭代后绘制函数
{@plotObjectiveModel, @plotMinObjective}
(默认)|“所有”
|函数处理|处理单元阵列的功能
绘制函数在每次迭代之后,指定为“所有”
、一个函数处理或处理单元阵列的功能。一块函数可以停止解算器,可以执行任意的计算,包括创建变量,除了策划。
没有情节的函数指定为[]
。
“所有”
调用所有内置图功能。指定几个情节函数使用一个函数处理的单元阵列。
内置的绘图函数出现在以下表中。
模型图,适用于D≤2时 | 描述 |
---|---|
@plotAcquisitionFunction |
情节收购功能表面。 |
@plotConstraintModels |
绘制每个约束模型表面。负值表示可行点。 也画一个P(可行的)表面。 还绘制误差模型,如果它存在,范围从 绘制错误概率= 2 *(错误)- 1。 |
@plotObjectiveEvaluationTimeModel |
画出目标函数评价模型表面。 |
@plotObjectiveModel |
画出 |
跟踪情节——适用于所有D | 描述 |
---|---|
@plotObjective |
阴谋每个观测函数值的数量和功能评估。 |
@plotObjectiveEvaluationTime |
阴谋每个观测函数评估运行时的数量和功能评估。 |
@plotMinObjective |
图的最小观察和估计函数值的数量和功能评估。 |
@plotElapsedTime |
情节三个曲线的总运行时间优化,总时间评估函数,和总建模和时间点的选择,所有的数量和功能评价。 |
您可以编写自己的函数。有关详细信息,请参见贝叶斯优化情节功能。
请注意
当耦合约束时,迭代显示和情节功能可以给违反直觉的结果如:
一个最低目标可以增加。
优化可以声明一个问题不可行,即使它显示早期可行点。
这种行为的原因是,决定是否一个点是可行的可以改变的优化发展。bayesopt
决定就其可行性约束模型,这个模型的变化bayesopt
评估点。所以“最低目标”情节时可以增加最小点后认为不可行,并迭代显示可以显示一个可行点,后来被认为是不可行的。
例子:“PlotFcn”、“所有”
数据类型:字符
|字符串
|细胞
|function_handle
InitialX
- - - - - -最初的评估点
NumSeedPoints
——- - - - - -D
随机初始点在允许范围内(默认)|N
——- - - - - -D
表
最初的评估点,指定为一个N
——- - - - - -D
表,N
评估点的数量,D
是变量的数量。
请注意
如果只有InitialX
,它被解释为初始点评估。目标函数的评价InitialX
。
如果还提供了其他初始化参数,InitialX
之前理解为函数评价数据。目标函数不是评估。任何缺失的值设置为南
。
数据类型:表
InitialObjective
- - - - - -客观值对应InitialX
[]
(默认)|长度,N
向量
客观值对应InitialX
,指定长度N
向量,N
是评估点的数量。
例子:“InitialObjective”, (17; 3; -12.5)
数据类型:双
InitialConstraintViolations
- - - - - -耦合约束的约束违反
[]
(默认)|N
——- - - - - -K
矩阵
一个指定的耦合约束,约束违反N
——- - - - - -K
矩阵,N
评估点的数量和吗K
是耦合的数量限制。有关详细信息,请参见耦合约束。
数据类型:双
InitialErrorValues
- - - - - -错误InitialX
[]
(默认)|长度,N
向量和条目1
或1
错误InitialX
,指定长度N
向量和条目1
或1
,在那里N
是评估点的数量。指定1
没有错误,1
为一个错误。
例子:“InitialErrorValues”, [1, 1, 1, 1, 1)
数据类型:双
InitialUserData
- - - - - -初始数据对应InitialX
[]
(默认)|长度,N
细胞向量
InitialObjectiveEvaluationTimes
- - - - - -评价的目标函数InitialX
[]
(默认)|长度,N
向量
评价的目标函数InitialX
,指定长度N
向量,N
是评估点的数量。时间以秒。
数据类型:双
InitialIterationTimes
- - - - - -*第一N
迭代
{}
(默认)|长度,N
向量
*第一N
迭代,指定为一个长度N
向量,N
是评估点的数量。时间以秒。
数据类型:双
输出参数
结果
——贝叶斯优化结果
BayesianOptimization
对象
贝叶斯优化的结果,作为一个返回BayesianOptimization
对象。
提示
扩展功能
自动并行支持金宝app
加速代码通过自动运行并行计算使用并行计算工具箱™。
并行运行,设置UseParallel
名称-值参数真正的
在调用这个函数。
关于并行计算的更一般的信息,请参阅MATLAB函数自动并行支持运行金宝app(并行计算工具箱)。
版本历史
打开举例
你们possedez一个版本modifiee de cet(中央东部东京)为例。Souhaitez-vous打开cet(中央东部东京)为例用vos修改吗?
对MATLAB
你们有派对在联合国留置权,对应这个对MATLAB:
倒实行la对saisissez-la在fenetre德对MATLAB。Les navigateurs web不sup金宝appportent Les MATLAB命令。
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。