fscnca

特征选择使用邻域成分分析进行分类

折叠所有页面

语法

mdl = fscnca (X, Y)

mdl = fscnca (X, Y,名称,值)

描述

例子

mdl= fscnca (X，Y）使用中的预测器进行特征选择以进行分类X和反应Y．

fscnca使用对角自适应的正则化邻域分量分析(NCA)来学习特征权值。

例子

mdl= fscnca (X，Y，名称,值）使用由一个或多个名称-值对参数指定的附加选项执行分类特性选择。

例子

全部折叠

利用NCA检测数据中的相关特征进行分类

打开生活的脚本

生成玩具数据，其中响应变量依赖于第3、第9和第15个预测因子。

rng (0,“旋风”）;%的再现性N = 100;X =兰德(N, 20);y = 1 (N, 1);y(X(:，3).*X(:，9)./X(:，15) < 0.4) = 1;

拟合邻域成分分析模型进行分类。

mdl = fscnca (X, y,“规划求解”，“sgd”，“详细”1);

o调整初始学习率:NumTuningIterations = 20,TuningSubsetSize = 100  |===============================================| | | |调子集学习| | ITER | |娱乐价值率  | |===============================================| | 1 | -3.755936 e-01 e-01 | 2.000000 | | 2 | -3.950971 e-01 e-01 | 4.000000 | | 3 | -4.311848 e-01 e-01 | 8.000000 | | 4 | -4.903195 e-01 | 1.600000 e + 00 | | 5 |-5.630190 e-01 | 3.200000 e + 00 | | 6 | -6.166993 e-01 | 6.400000 e + 00 | | 7 | -6.255669 e-01 | 1.280000 e + 01 | | 8 | -6.255669 e-01 | 1.280000 e + 01 | | 9 | -6.255669 e-01 | 1.280000 e + 01 | | 10 | -6.255669 e-01 | 1.280000 e + 01 | | 11 | -6.255669 e-01 | 1.280000 e + 01 | | 12 | -6.255669 e-01 | 1.280000 e + 01 | | 13 | -6.255669 e-01 | 1.280000 e + 01 | | 14 |e-01 -6.279210 | 2.560000 e + 01 | | 15 | -6.279210 e-01 | 2.560000 e + 01 | | 16 | -6.279210 e-01 | 2.560000 e + 01 | | 17 | -6.279210 e-01 | 2.560000 e + 01 | | | 18 -6.279210 e-01 | 2.560000 e + 01 | | e-01 19 | -6.279210 | 2.560000 e + 01 | | 20 e-01 | -6.279210 | 2.560000 e + 01 | o解决= SGD MiniBatchSize = 10,PassLimit = 5  |==========================================================================================| | 通过| ITER | AVG MINIBATCH | AVG MINIBATCH |规范一步学习| | | | | |娱乐价值规范研究生| |率  | |==========================================================================================| | 0 | 9 e-01 | -5.658450 | 4.492407 e-02 |9.290605e-01 | 2.560000e+01 | | 1 | 19 | -6.131382e-01 | 4.923625e-02 | 7.421541e-01 | 1.280000e+01 | | 2 | 29 | -6.225056e-01 | 3.738784e-02 | 3.277588e-01 | 8.533333e+00 | | 3 | 39 | -6.233366e-01 | 4.947901e-02 | 5.431133e-01 | 6.400000e+00 | | 4 | 49 | -6.238576e-01 | 3.445763e-02 | 2.946188e-01 | 5.120000e+00 | Two norm of the final step = 2.946e-01 Relative two norm of the final step = 6.588e-02, TolX = 1.000e-06 EXIT: Iteration or pass limit reached.

绘制选定的特征。不相关特征的权值应该接近于零。

图()图(mdl。FeatureWeights,“罗”网格)在包含(“功能指数”) ylabel (“功能重量”）

图中包含一个轴对象。axis对象包含一个类型为line的对象。

fscnca正确检测相关特征。

识别相关特征进行分类

打开生活的脚本

加载示例数据

负载ovariancancer；谁

名称大小字节类属性grp 216x1 25056 cell obs 216x4000 3456000 single

本例使用WCX2蛋白阵列生成的高分辨率卵巢癌数据集。经过一些预处理步骤后，数据集有两个变量:奥林匹克广播服务公司和grp．的奥林匹克广播服务公司变量由216个观测值和4000个特征组成。中的每个元素grp定义对应行所属的组奥林匹克广播服务公司属于。

将数据分为训练集和测试集

使用cvpartition将数据分为大小为160的训练集和大小为56的测试集。训练集和测试集的分组比例大致相同grp．

rng (1);%的再现性本量利= cvpartition (grp,“坚持”56)

cvp = hold out cross validation partition nummobations: 216 NumTestSets: 1 TrainSize: 160 TestSize: 56

奥林匹克广播服务公司(Xtrain = cvp.training:);ytrain = grp (cvp.training:);奥林匹克广播服务公司(Xtest = cvp.test:);欧美= grp (cvp.test:);

确定特征选择是否必要

不拟合计算泛化误差。

nca = fscnca (Xtrain ytrain,“FitMethod”，“没有”）;L =损失(nca, Xtest欧美)

L = 0.0893

该选项使用中提供的初始特征权值(在本例中为默认特征权值)计算邻域成分分析(NCA)特征选择模型的泛化误差fscnca．

拟合无正则化参数的NCA (Lambda = 0)

nca = fscnca (Xtrain ytrain,“FitMethod”，“准确”，“λ”0,．..“规划求解”，“sgd”，“标准化”,真正的);L =损失(nca, Xtest欧美)

L = 0.0714

对损失值的改进表明特征选择是一种很好的方法。调优 $λ$ 价值通常会改善结果。

使用五倍交叉验证调优NCA的正则化参数

调优 $λ$ 意味着找到 $λ$ 产生最小分类损失的值。调优 $λ$ 使用交叉验证:

1.将训练数据分成5次，提取验证(测试)集的个数。对于每一个褶皱,cvpartition指定五分之四的数据作为训练集，五分之一的数据作为测试集。

本量利= cvpartition (ytrain,“kfold”5);numvalidsets = cvp.NumTestSets;

分配 $λ$ 值，并创建一个数组来存储损失函数值。

n =长度(ytrain);lambdavals = linspace(0, 20日20)/ n;lossvals = 0(长度(lambdavals), numvalidsets);

2.训练每个人的NCA模型 $λ$ 值，使用每个折叠中的训练集。

3.使用NCA模型计算折叠中相应测试集的分类损失。记录损失值。

4.对所有的折叠重复这个过程 $λ$ 值。

为i = 1:长度(lambdavals)为k = 1:numvalidsets X = Xtrain(cvp.training(k)，:);y = ytrain (cvp.training (k):);Xvalid = Xtrain (cvp.test (k):);yvalid = ytrain (cvp.test (k):);nca = fscnca (X, y,“FitMethod”，“准确”，．..“规划求解”，“sgd”，“λ”lambdavals(我),．..“IterationLimit”30岁的“GradientTolerance”1的军医,．..“标准化”,真正的);lossvals (i (k) =损失(nca, Xvalid yvalid,“LossFunction”，“classiferror”）;结束结束

计算从每个折叠中获得的平均损失 $λ$ 价值。

meanloss =意味着(lossvals, 2);

画出平均损失值与 $λ$ 值。

图()图(lambdavals meanloss,“ro - - - - - -”)包含(“λ”) ylabel (“损失(MSE)”网格)在

图中包含一个轴对象。axis对象包含一个类型为line的对象。

找到与最小平均损失相对应的最佳lambda值。

[~, idx] = min (meanloss)查找索引

idx = 2

bestlambda = lambdavals (idx)找到最好的lambda值

bestlambda = 0.0066

bestloss = meanloss (idx)

bestloss = 0.0313

最好地将nca模型应用于所有数据 $λ$ 并绘制特征权重

使用求解器lbfgs并标准化预测值。

nca = fscnca (Xtrain ytrain,“FitMethod”，“准确”，“规划求解”，“sgd”，．..“λ”bestlambda,“标准化”,真的,“详细”1);

o调整初始学习率:NumTuningIterations = 20,TuningSubsetSize = 100  |===============================================| | | |调子集学习| | ITER | |娱乐价值率  | |===============================================| | 1 e + 01 | 2.403497 | 2.000000 e-01 | | 2 | 2.275050 e + 01 | 4.000000 e-01 | | 3 | 2.036845 e + 01 | 8.000000 e-01 | | 4 | 1.627647 e + 01 | 1.600000 e + 00 | | 5 |1.023512 e + 01 | 3.200000 e + 00 | | 6 | 3.864283 e + 6.400000 e + 00 00 | | | 7 e-01 | 4.743816 | 1.280000 e + 01 | | 8 | -7.260138 e-01 | 2.560000 e + 01 | | 9 | -7.260138 e-01 | 2.560000 e + 01 | | 10 | -7.260138 e-01 | 2.560000 e + 01 | | 11 | -7.260138 e-01 | 2.560000 e + 01 | | 12 | -7.260138 e-01 | 2.560000 e + 01 | | 13 | -7.260138 e-01 | 2.560000 e + 01 | | 14 | -7.260138 e-01 |2．560000e+01 | | 15 | -7.260138e-01 | 2.560000e+01 | | 16 | -7.260138e-01 | 2.560000e+01 | | 17 | -7.260138e-01 | 2.560000e+01 | | 18 | -7.260138e-01 | 2.560000e+01 | | 19 | -7.260138e-01 | 2.560000e+01 | | 20 | -7.260138e-01 | 2.560000e+01 | o Solver = SGD, MiniBatchSize = 10, PassLimit = 5 |==========================================================================================| | PASS | ITER | AVG MINIBATCH | AVG MINIBATCH | NORM STEP | LEARNING | | | | FUN VALUE | NORM GRAD | | RATE | |==========================================================================================| | 0 | 9 | 4.016078e+00 | 2.835465e-02 | 5.395984e+00 | 2.560000e+01 | | 1 | 19 | -6.726156e-01 | 6.111354e-02 | 5.021138e-01 | 1.280000e+01 | | 1 | 29 | -8.316555e-01 | 4.024186e-02 | 1.196031e+00 | 1.280000e+01 | | 2 | 39 | -8.838656e-01 | 2.333416e-02 | 1.225834e-01 | 8.533333e+00 | | 3 | 49 | -8.669034e-01 | 3.413162e-02 | 3.421902e-01 | 6.400000e+00 | | 3 | 59 | -8.906936e-01 | 1.946295e-02 | 2.232511e-01 | 6.400000e+00 | | 4 | 69 | -8.778630e-01 | 3.561290e-02 | 3.290645e-01 | 5.120000e+00 | | 4 | 79 | -8.857135e-01 | 2.516638e-02 | 3.902979e-01 | 5.120000e+00 | Two norm of the final step = 3.903e-01 Relative two norm of the final step = 6.171e-03, TolX = 1.000e-06 EXIT: Iteration or pass limit reached.

绘制特征权重。

图()(nca情节。FeatureWeights,“罗”)包含(“功能指数”) ylabel (“功能重量”网格)在

图中包含一个轴对象。axis对象包含一个类型为line的对象。

使用特征权重和相对阈值选择特征。

托尔= 0.02;selidx = (nca找到。FeatureWeights> tol*max(1,max(nca.FeatureWeights)))

selidx =72×1565 611 654 681 737 743 744 750 754 839⋮

使用测试集计算分类损失。

L =损失(nca, Xtest欧美)

L = 0.0179

使用选定的特征对观察进行分类

从训练数据中提取特征权重大于0的特征。

特点= Xtrain (:, selidx);

应用支持向量机分金宝app类器使用选定的特征到缩减的训练集。

svmMdl = fitcsvm(特性,ytrain);

评估训练有素的分类器对未用于选择特征的测试数据的准确性。

L =损失(svmMdl Xtest (:, selidx)、欧美)

L =单0

输入参数

全部折叠

`X`- - - - - -预测变量值
n——- - - - - -p矩阵

预测变量值，指定为n——- - - - - -p矩阵,n观察的次数是多少p为预测变量的数量。

数据类型:单|双

`Y`- - - - - -类标签
分类向量|逻辑向量|数值向量|字符串数组|长度字符向量的单元格数组n|字符矩阵n行

类标签，指定为类别向量、逻辑向量、数字向量、字符串数组、长度为字符向量的单元格数组n，或字符矩阵n行,n为观察次数。元素我或行我的Y类标签是否与行对应我的X(观察我)．

数据类型:单|双|逻辑|字符|字符串|细胞|分类

名称-值参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“规划求解”,“sgd”、“重量”,0.0003 W,“λ”指定求解器为随机梯度下降，观测权值为向量中的值W，并将正则化参数设置为0.0003。

合适的选项

全部折叠

`FitMethod`- - - - - -模型拟合方法
`“准确”`(默认)|`“没有”`|`“平均”`

模型拟合方法，指定为逗号分隔对组成“FitMethod”以及以下其中之一:

“准确”-使用所有数据进行拟合。
“没有”——不合适。使用此选项，使用调用fscnca时提供的初始特征权重来评估NCA模型的泛化误差。
“平均”—将数据划分为多个分区(子集)，使用确切的方法，并返回特征权重的平均值。属性指定分区的数目NumPartitions名称-值对的论点。

例子:“FitMethod”、“没有”

`NumPartitions`- - - - - -分区数量
`马克斯(2分钟(10,n））`(默认)|2和之间的整数n

用于分割数据的分区数目“FitMethod”、“平均”选项，指定为逗号分隔的对，由“NumPartitions”和2到之间的整数值n,在那里n为观察次数。

例子:“NumPartitions”,15

数据类型:双|单

`λ`- - - - - -正则化参数
1／n(默认)|负的标量

正则化参数防止过拟合，指定为逗号分隔对组成“λ”一个非负标量。

作为观察的次数n增加，过拟合的机会减少，所需的正则化量也减少。看到识别相关特征进行分类和调整正则化参数检测特征使用NCA分类学习如何调优正则化参数。

例子:“λ”,0.002

数据类型:双|单

`LengthScale`- - - - - -核宽
`1`(默认)|积极的真正的标量

内核的宽度，指定为由逗号分隔的对组成“LengthScale”一个正的实标量。

当所有预测器在同一尺度上时，长度尺度值为1是合理的。如果预测因子在X是非常不同的大小，然后考虑标准化的预测值使用“标准化”,真的和设置“LengthScale”,1．

例子:“LengthScale”,1.5

数据类型:双|单

`InitialFeatureWeights`- - - - - -初始特征权重
`的(p, 1)`(默认)|p实正量的- × 1向量

初始特征权重，指定为逗号分隔对，由“InitialFeatureWeights”和一个p实正量的- × 1向量p为训练数据中预测器的个数。

优化特征权重的正则化目标函数是非凸的。因此，使用不同的初始特征权重可以得到不同的结果。将所有初始功能权重设置为1通常很有效，但在某些情况下，随机初始化使用兰特(p, 1)可以提供更好质量的解决方案。金宝搏官方网站

数据类型:双|单

`权重`- - - - - -观察权重
n1s的-乘1向量(默认)|n实正量的- × 1向量

观察权值，指定为逗号分隔的对，由“ObservationWeights”和一个n实正量的- × 1向量。使用观测权值来指定某些观测值比其他观测值更重要。默认权重对所有的观测值都赋予同等的重要性。

数据类型:双|单

`之前`- - - - - -每个类别的先验概率
`“经验”`(默认)|`“统一”`|结构

每个类的先验概率，指定为逗号分隔对，由“之前”以及以下其中之一:

“经验”- - - - - -fscnca从类别频率中获得先验类别概率。
“统一”- - - - - -fscnca设置所有类的概率相等。
结构有两个字段:
- ClassProbs-职业概率向量。如果这些数值的总和大于1，fsnca使它们相加为1。
- 一会-类名对应于类的概率ClassProbs．

例子:“前”、“制服”

`标准化`- - - - - -用于标准化预测数据的指标
`假`(默认)|`真正的`

用于标准化预测器数据的指标，指定为逗号分隔对，由“标准化”,要么假或真正的．有关更多信息，请参见标准化的影响．

例子:“标准化”,真的

数据类型:逻辑

`详细的`- - - - - -冗长的水平指示器
0(默认)|1|> 1

用于显示收敛摘要的详细程度指示器，指定为逗号分隔对组成“详细”以及以下其中之一:

0 -没有收敛总结
1 -收敛总结，包括梯度范数和目标函数值
> 1 -更多的收敛信息，取决于拟合算法
当使用“minibatch-lbfgs”求解器和详细级> 1，收敛信息包括迭代从中间小批LBFGS拟合的日志。

例子:“详细”,1

数据类型:双|单

`解算器`- - - - - -解算器类型
`“lbfgs”`|`“sgd”`|`“minibatch-lbfgs”`

用于估计特征权重的求解器类型，指定为由逗号分隔的对组成“规划求解”以及以下其中之一:

“lbfgs”-有限内存Broyden-Fletcher-Goldfarb-Shanno (LBFGS)算法
“sgd”-随机梯度下降(SGD)算法
“minibatch-lbfgs”-随机梯度下降与LBFGS算法应用于小批量

默认是“lbfgs”为n≤1000,“sgd”为n> 1000。

例子:“规划求解”、“minibatch-lbfgs”

`LossFunction`- - - - - -损失函数
`“classiferror”`(默认)|函数处理

损失函数，指定为逗号分隔对组成“LossFunction”下面是其中之一。

“classiferror”——错误分类错误

$l （ y_{我} ， y_{j} ）＝｛ \begin{matrix} 1 & 如果 y_{我} \neq y_{j ，} \\ 0 & 否则． \end{matrix}$
＠lossfun-自定义丢失功能处理。损失函数是这样的形式。
```
函数L = lossfun (Yu青年志愿)损失计算%．..
```
余是一个u1向量和青年志愿是一个v1的向量。l是一个u——- - - - - -v损失值矩阵L (i, j)损失值是多少Yu(我)和青年志愿(j)．

最小化的目标函数包括损失函数l（y_我，y_j）如下:

$f （ w ）＝ \frac{1}{n} \sum_{我＝ 1}^{n} \sum_{j ＝ 1 ， j \neq 我}^{n} p_{我 j} l （ y_{我} ， y_{j} ） + λ \sum_{r ＝ 1}^{p} w_{r}^{2} ，$

在哪里w为特征权值向量，n是观察的次数，和p为预测变量的数量。p_ij是x_j参考点是什么x_我．有关详细信息,请参见用于分类的NCA特征选择．

例子:LossFunction, @lossfun

`CacheSize`- - - - - -内存大小
`1000 mb`(默认)|整数

用于目标函数和梯度计算的内存大小，以MB为单位，指定为逗号分隔对组成“CacheSize”和一个整数。

例子:“CacheSize”,1500 mb

数据类型:双|单

LBFGS选项

全部折叠

`HessianHistorySize`- - - - - -用于Hessian近似的历史缓冲区的大小
`15`(默认)|正整数

历史缓冲区的大小为Hessian近似“lbfgs”解算器，指定为逗号分隔的对，由“HessianHistorySize”一个正整数。在每次迭代中，函数使用最新的HessianHistorySize迭代来建立逆Hessian的近似。

例子:“HessianHistorySize”,20

数据类型:双|单

`InitialStepSize`- - - - - -初始步长
`“汽车”`(默认)|积极的真正的标量

的初始步长“lbfgs”解算器，指定为逗号分隔的对，由“InitialStepSize”一个正的实标量。默认情况下，该函数自动确定初始步长。

数据类型:双|单

`LineSearchMethod`- - - - - -线搜索方法
`“weakwolfe”`(默认)|`“strongwolfe”`|`“回溯”`

行搜索方法，指定为逗号分隔对组成“LineSearchMethod”以及以下其中之一:

“weakwolfe”-弱沃尔夫线搜索
“strongwolfe”-强沃尔夫线搜索
“回溯”-回溯线搜索

例子:“LineSearchMethod”、“回溯”

`MaxLineSearchIterations`- - - - - -最大行搜索迭代次数
`20.`(默认)|正整数

最大行搜索迭代次数，指定为逗号分隔对组成“MaxLineSearchIterations”一个正整数。

例子:“MaxLineSearchIterations”,25岁

数据类型:双|单

`GradientTolerance`- - - - - -相对收敛公差
`1 e-6`(默认)|积极的真正的标量

求解器梯度范数的相对收敛容限lbfgs，指定为逗号分隔的对，由“GradientTolerance”一个正的实标量。

例子:“GradientTolerance”,0.000002

数据类型:双|单

SGD选项

全部折叠

`InitialLearningRate`- - - - - -初始学习率`“sgd”`解算器
`“汽车”`(默认)|积极的真正的标量

初始学习率为“sgd”解算器，指定为逗号分隔的对，由“InitialLearningRate”一个正的实标量。

当使用求解器类型“sgd”时，学习率从指定的值开始随着迭代次数递减“InitialLearningRate”．

默认的“汽车”意味着初始学习率是通过对小数据子集进行实验来确定的。使用NumTuningIterations参数的名称-值对指定自动调优初始学习率的迭代次数。使用TuningSubsetSize名称-值对参数，指定用于自动调优初始学习率的观察数。

解算器类型“minibatch-lbfgs”，您可以设置“InitialLearningRate”一个非常高的值。在这种情况下，该函数将LBFGS分别应用于每个小批，并使用前一个小批的初始特征权重。

为了确保所选的初始学习率随着每次迭代而降低目标值，绘制迭代兑客观的保存在mdl。FitInfo财产。

你可以使用改装方法“InitialFeatureWeights”等于mdl。FeatureWeights从当前解决方案开始并运行额外的迭代

例子:“InitialLearningRate”,0.9

数据类型:双|单

`MiniBatchSize`- - - - - -在每批中使用的观察数`“sgd”`解算器
分钟(10,n）(默认)|正整数，取值范围为1 ~n

在每批中使用的观察数“sgd”解算器，指定为逗号分隔的对，由“MiniBatchSize”一个正整数，从1到n．

例子:“MiniBatchSize”,25岁

数据类型:双|单

`PassLimit`- - - - - -求解器的最大通道数`“sgd”`
`5`(默认)|正整数

通过所有的最大次数n观察对解算器“sgd”，指定为逗号分隔的对，由“PassLimit”一个正整数。所有数据的每一遍被称为epoch。

例子:“PassLimit”,10

数据类型:双|单

`NumPrint`- - - - - -显示聚合摘要的批次频率
10(默认)|正整数的值

显示聚合摘要的批次的频率“sgd”解算器，指定为逗号分隔的对，由“NumPrint”一个正整数。这个论点适用于“详细”值大于0。NumPrint对命令行显示的收敛摘要的每一行进行mini-batch处理。

例子:“NumPrint”,5

数据类型:双|单

`NumTuningIterations`- - - - - -优化迭代次数
20.(默认)|正整数

的调优迭代次数“sgd”解算器，指定为逗号分隔的对，由“NumTuningIterations”一个正整数。此选项仅对“InitialLearningRate”、“汽车”．

例子:“NumTuningIterations”,15

数据类型:双|单

`TuningSubsetSize`- - - - - -用于调整初始学习率的观察数
分钟(100n）(默认)|正整数，取值范围为1 ~n

用于调优初始学习率的观察数，指定为逗号分隔对组成“TuningSubsetSize”和一个正整数，从1到n．此选项仅对“InitialLearningRate”、“汽车”．

例子:“TuningSubsetSize”,25岁

数据类型:双|单

SGD或LBFGS选项

全部折叠

`IterationLimit`- - - - - -最大迭代次数
正整数

最大迭代次数，由逗号分隔对组成“IterationLimit”一个正整数。缺省情况下，SGD为10000,LBFGS和mini-batch LBFGS为1000。

每次批处理都是一次迭代。所有数据的每一次传递都是一个纪元。如果将数据分成k小批量，则每个epoch等价于k迭代。

例子:“IterationLimit”,250年

数据类型:双|单

`StepTolerance`- - - - - -步长收敛公差
1 e-6(默认)|积极的真正的标量

收敛公差上的步长，指定为逗号分隔对组成“StepTolerance”一个正的实标量。的“lbfgs”求解器使用绝对步长公差，并且“sgd”求解器使用相对步长公差。

例子:“StepTolerance”,0.000005

数据类型:双|单

Mini-Batch LBFGS选项

全部折叠

`MiniBatchLBFGSIterations`- - - - - -每个小批LBFGS步骤的最大迭代次数
10(默认)|正整数

每个小批LBFGS步骤的最大迭代次数，指定为逗号分隔对组成“MiniBatchLBFGSIterations”一个正整数。

例子:“MiniBatchLBFGSIterations”,15

小批LBFGS算法是SGD和LBFGS算法的结合。因此，适用于SGD和LBFGS求解器的所有名称-值对参数也适用于迷你批处理LBFGS算法。

数据类型:双|单

输出参数

全部折叠

`mdl`-邻域成分分析模型进行分类
`FeatureSelectionNCAClassification`对象

邻域成分分析模型进行分类，返回为FeatureSelectionNCAClassification对象。

另请参阅

FeatureSelectionNCAClassification|损失|改装|预测

主题

介绍了R2016b

fscnca

语法

描述

例子

利用NCA检测数据中的相关特征进行分类

识别相关特征进行分类

输入参数

X- - - - - -预测变量值n——- - - - - -p矩阵

Y- - - - - -类标签分类向量|逻辑向量|数值向量|字符串数组|长度字符向量的单元格数组n|字符矩阵n行

名称-值参数

FitMethod- - - - - -模型拟合方法“准确”(默认)|“没有”|“平均”

NumPartitions- - - - - -分区数量马克斯(2分钟(10,n））(默认)|2和之间的整数n

λ- - - - - -正则化参数1／n(默认)|负的标量

LengthScale- - - - - -核宽1(默认)|积极的真正的标量

InitialFeatureWeights- - - - - -初始特征权重的(p, 1)(默认)|p实正量的- × 1向量

权重- - - - - -观察权重n1s的-乘1向量(默认)|n实正量的- × 1向量

之前- - - - - -每个类别的先验概率“经验”(默认)|“统一”|结构

标准化- - - - - -用于标准化预测数据的指标假(默认)|真正的

详细的- - - - - -冗长的水平指示器0(默认)|1|> 1

解算器- - - - - -解算器类型“lbfgs”|“sgd”|“minibatch-lbfgs”

LossFunction- - - - - -损失函数“classiferror”(默认)|函数处理

CacheSize- - - - - -内存大小1000 mb(默认)|整数

HessianHistorySize- - - - - -用于Hessian近似的历史缓冲区的大小15(默认)|正整数

InitialStepSize- - - - - -初始步长“汽车”(默认)|积极的真正的标量

LineSearchMethod- - - - - -线搜索方法“weakwolfe”(默认)|“strongwolfe”|“回溯”

MaxLineSearchIterations- - - - - -最大行搜索迭代次数20.(默认)|正整数

GradientTolerance- - - - - -相对收敛公差1 e-6(默认)|积极的真正的标量

InitialLearningRate- - - - - -初始学习率“sgd”解算器“汽车”(默认)|积极的真正的标量

MiniBatchSize- - - - - -在每批中使用的观察数“sgd”解算器分钟(10,n）(默认)|正整数，取值范围为1 ~n

PassLimit- - - - - -求解器的最大通道数“sgd”5(默认)|正整数

NumPrint- - - - - -显示聚合摘要的批次频率10(默认)|正整数的值

NumTuningIterations- - - - - -优化迭代次数20.(默认)|正整数

TuningSubsetSize- - - - - -用于调整初始学习率的观察数分钟(100n）(默认)|正整数，取值范围为1 ~n

IterationLimit- - - - - -最大迭代次数正整数

StepTolerance- - - - - -步长收敛公差1 e-6(默认)|积极的真正的标量

MiniBatchLBFGSIterations- - - - - -每个小批LBFGS步骤的最大迭代次数10(默认)|正整数

输出参数

mdl-邻域成分分析模型进行分类FeatureSelectionNCAClassification对象

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

`X`- - - - - -预测变量值
n——- - - - - -p矩阵

`Y`- - - - - -类标签
分类向量|逻辑向量|数值向量|字符串数组|长度字符向量的单元格数组n|字符矩阵n行

`FitMethod`- - - - - -模型拟合方法
`“准确”`(默认)|`“没有”`|`“平均”`

`NumPartitions`- - - - - -分区数量
`马克斯(2分钟(10,n））`(默认)|2和之间的整数n

`λ`- - - - - -正则化参数
1／n(默认)|负的标量

`LengthScale`- - - - - -核宽
`1`(默认)|积极的真正的标量

`InitialFeatureWeights`- - - - - -初始特征权重
`的(p, 1)`(默认)|p实正量的- × 1向量

`权重`- - - - - -观察权重
n1s的-乘1向量(默认)|n实正量的- × 1向量

`之前`- - - - - -每个类别的先验概率
`“经验”`(默认)|`“统一”`|结构

`标准化`- - - - - -用于标准化预测数据的指标
`假`(默认)|`真正的`

`详细的`- - - - - -冗长的水平指示器
0(默认)|1|> 1

`解算器`- - - - - -解算器类型
`“lbfgs”`|`“sgd”`|`“minibatch-lbfgs”`

`LossFunction`- - - - - -损失函数
`“classiferror”`(默认)|函数处理

`CacheSize`- - - - - -内存大小
`1000 mb`(默认)|整数

`HessianHistorySize`- - - - - -用于Hessian近似的历史缓冲区的大小
`15`(默认)|正整数

`InitialStepSize`- - - - - -初始步长
`“汽车”`(默认)|积极的真正的标量

`LineSearchMethod`- - - - - -线搜索方法
`“weakwolfe”`(默认)|`“strongwolfe”`|`“回溯”`

`MaxLineSearchIterations`- - - - - -最大行搜索迭代次数
`20.`(默认)|正整数

`GradientTolerance`- - - - - -相对收敛公差
`1 e-6`(默认)|积极的真正的标量

`InitialLearningRate`- - - - - -初始学习率`“sgd”`解算器
`“汽车”`(默认)|积极的真正的标量

`MiniBatchSize`- - - - - -在每批中使用的观察数`“sgd”`解算器
分钟(10,n）(默认)|正整数，取值范围为1 ~n

`PassLimit`- - - - - -求解器的最大通道数`“sgd”`
`5`(默认)|正整数

`NumPrint`- - - - - -显示聚合摘要的批次频率
10(默认)|正整数的值

`NumTuningIterations`- - - - - -优化迭代次数
20.(默认)|正整数

`TuningSubsetSize`- - - - - -用于调整初始学习率的观察数
分钟(100n）(默认)|正整数，取值范围为1 ~n

`IterationLimit`- - - - - -最大迭代次数
正整数

`StepTolerance`- - - - - -步长收敛公差
1 e-6(默认)|积极的真正的标量

`MiniBatchLBFGSIterations`- - - - - -每个小批LBFGS步骤的最大迭代次数
10(默认)|正整数

`mdl`-邻域成分分析模型进行分类
`FeatureSelectionNCAClassification`对象