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
mdl
- - - - - -社区组件分类的分析模型
FeatureSelectionNCAClassification
对象
社区组件分析模型或分类,指定为一个FeatureSelectionNCAClassification
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fscnca
。“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
——社区组件分类的分析模型
FeatureSelectionNCAClassification
对象
社区分类、成分分析模型作为一个返回FeatureSelectionNCAClassification
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
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。