改装
类:FeatureSelectionNCAClassification
改装社区成分分析(NCA)模型分类
语法
mdlrefit =改装(mdl、名称、值)
输入参数
输出参数
例子
改装NCA模型分类和修改设置
生成数据使用棋盘generateCheckerBoardData.m函数。
rng (2016“旋风”);%的再现性pps = 1375;(X, y) = generateCheckerBoardData (pps);X = X + 2;
图数据。
图绘制(X (y = = 1, 1), X (y = = 1, 2),“处方”)举行在情节(X (y = = 1, 1), X (y = = 1, 2),“软”)(n, p) =大小(X)
n = 22000 p = 2
无关紧要的预测因子添加到数据。
Q = 98;Xrnd = unifrnd (0 4 n, Q);Xobs = [X, Xrnd];
这段代码创建98额外的预测,均匀分布在0和4之间。
分区数据分为训练集和测试集。创建分层分区,每个分区有类似比例的类,使用y而不是长度(y)作为划分标准。
本量利= cvpartition (y,“坚持”,2000);
cvpartition观测的随机选择2000名添加到测试集和其余的数据加入到训练集。创建使用训练集和验证集作业中存储cvpartition对象本量利。
Xtrain = Xobs (cvp.training (1):);ytrain = y (cvp.training (1):);Xval = Xobs (cvp.test (1):);yval = y (cvp.test (1):);
计算错误分类错误没有特征选择。
nca = fscnca (Xtrain ytrain,“FitMethod”,“没有”,“标准化”,真的,…“规划求解”,“lbfgs”);loss_nofs =损失(nca, Xval yval)
loss_nofs = 0.5165
“FitMethod”、“没有”选择使用默认的权重(1),这意味着所有功能同样重要。
这一次,进行特征选择使用社区组件分析分类,
。
w0 =兰德(100 1);n =长度(ytrain)λ= 1 / n;nca =改装(nca,“InitialFeatureWeights”w0,“FitMethod”,“准确”,…“λ”λ,“规划求解”,“sgd”);
n = 20000
目标函数值和迭代次数的阴谋。
图()图(nca.FitInfo.Iteration nca.FitInfo.Objective,“罗”)举行在情节(nca.FitInfo.Iteration movmean (nca.FitInfo.Objective 10),“k -”)包含(的迭代次数)ylabel (“客观价值”)
计算错误分类与特征选择错误。
loss_withfs =损失(nca, Xval yval)
loss_withfs = 0.0115
情节所选择的功能。
图semilogx (nca.FeatureWeights,“罗”)包含(“功能指数”)ylabel (“功能重量”网格)在
选择使用功能权重和相对阈值特性。
托尔= 0.15;selidx = (nca找到。FeatureWeights > tol *马克斯(max (nca.FeatureWeights)))
selidx = 1 2
特征选择和改善结果fscnca检测到正确的两个特性是相关的。
版本历史
介绍了R2016b
