贝叶斯优化绘图函数- MATLAB和Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

贝叶斯优化绘图函数

内置的绘图功能

有两组内置的绘图函数。

模型图-D时应用≤ 2.	描述
`@plotAcquisitionFunction`	绘制采集函数曲面。
`@plotConstraintModels`	绘制每个约束模型曲面。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，它的范围是`–1`到`1.`．负值表示模型可能不会出错，正值表示模型可能会出错。该模型是: 绘制误差= 2*概率(误差)- 1。
`@plotObjectiveEvaluationTimeModel`	绘制目标函数评估时间模型曲面。
`@绘图对象模型`	画出`有趣的`模型表面，估计的最小位置，并对下一个提出的点的位置进行评价。对于一维问题，绘图包络一个可信区间上和下的均值函数，并包络一个噪声标准差上和下的均值。

跟踪图-适用于所有D	描述
`@plotObjective`	绘制每个观察到的函数值与函数求值次数的关系图。
`@plotObjectiveEvaluationTime`	绘制每个观察到的函数求值运行时与函数求值次数的关系图。
`@plotMinObjective`	绘制观察和估计的最小功能值与功能评估数量的关系图。
`@plotElapsedTime`	绘制三条曲线:优化的总运行时间、总函数评估时间、总建模和点选择时间，所有这些都与函数评估的数量相比较。

笔记

当存在耦合约束时，迭代显示和绘图功能会产生违反直觉的结果，例如：

A.最低目标可以增加。
优化可以声明一个问题不可行，即使它显示了一个较早的可行点。

这种行为的原因是，关于某个点是否可行的决策可能会随着优化的进行而改变。贝耶斯波特确定其约束模型的可行性，并且该模型会随着贝耶斯波特评估点。因此，当最小点后来被认为不可行时，“最小目标”图可以增加，迭代显示可以显示一个后来被认为不可行的可行点。

自定义绘图函数语法

自定义绘图函数与自定义输出函数具有相同的语法(参见贝叶斯优化输出函数)：

停止=绘图乐趣（结果、状态）

贝耶斯波特通过了后果和状态函数的变量。你的函数返回停止，你设置为真正的停止迭代，或者错误的继续迭代。

后果是类的对象吗BayesianOptimization包含有关计算的可用信息。

状态有以下可能的值:

“初始”—贝耶斯波特即将开始迭代。请使用此状态设置绘图或执行其他初始化。
“迭代”—贝耶斯波特刚刚完成一个迭代。通常，在这种状态下执行大多数绘图或其他计算。
“完成”—贝耶斯波特刚刚完成了最后的迭代。清理地块，否则为地块功能关闭做好准备。

创建自定义打印函数

打开脚本

此示例显示如何为创建自定义打印函数贝耶斯波特．进一步说明了如何使用用户数据财产BayesianOptimization对象。

问题陈述

问题是找到支持向量机（SVM）分类的参数以最小化交叉验证损失。具体型号与中的相金宝app同用bayesopt优化交叉验证SVM分类器因此，目标函数本质上是相同的，只是它也计算用户数据，在这种情况下，支持向量机模型中适合当前参数的支持向量数。金宝app

创建一个自定义绘图函数，在优化过程中绘制支持向量机模型中的支持向量的数量。金宝app为了让plot函数访问支持向量的数量，创建第三个输出，金宝app用户数据，以返回支持向量的数目。金宝app

目标函数

创建一个目标函数，用于计算固定交叉验证分区的交叉验证损失，并返回结果模型中的支持向量数。金宝app

函数[f,viol,nsupp] = mysvmminfn(x,cdata,grp,c)“KernelFunction”,“rbf”,...“KernelScale”x.sigma,“BoxConstraint”，x.box）；f=kfoldLoss（crossval（SVMModel，“CVPartition”（c））；viol=[]；nsupp=总和（SVMModel.IsSupport金宝appVector）；终止

自定义绘制函数

创建使用中计算的信息的自定义绘图函数用户数据．在找到最佳目标函数的情况下，绘制当前约束数量和模型约束数量的函数图。

函数停止= svmsuppvec(结果,状态)持久的hs nbest besthist nsuptrace stop=false；开关状态情况下“初始”hs=数字；besthist=[]；nbest=0；NsupTrace=[]；情况下“迭代”图（hs）nsupp=results.UserDataTrace{end}；%从UserDataTrace属性获取nsupp。nsupTrace（end+1）=nsupp；在vector中累加nsupp值。如果(results. objecvetrace (end) == min(results. objecvetrace)))%电流最好nb = nsupp;终止besthist = (besthist, nb);阴谋(1:长度(nsupptrace) nsupptrace,“b”，1：长度（最佳历史），最佳历史，“r——”)包含的迭代次数伊拉贝尔‘支持向量数’金宝app标题“每次迭代的支持向量数金宝app”传奇(“当前迭代”,“最好的目标”,“位置”,“最好的”) drawnow终止

建立模型

为每个职业生成10个基点。

rng违约grnpop = mvnrnd((1,0)、眼睛(2),10);redpop = mvnrnd([0, 1],眼(2),10);

生成每个类的100个数据点。

redpts=零（100,2）；grnpts=redpts；对于i=1:100 GRNPT（i，：）=mvnrnd（grnpop（randi（10），：），eye（2）*0.02）；redpts（i，：）=mvnrnd（redpop（randi（10），：），eye（2）*0.02）；终止

将数据放入一个矩阵中，并生成一个向量玻璃钢标记每个点的类别。

cdata=[grnpts；redpts]；grp=one（200,1）；%绿色标签1，红色标签-1grp（101:200）=-1；

使用默认的支持向量机参数检查所有数据的基本分类。

SVMModel=fitcsvm（cdata、grp、，“KernelFunction”,“rbf”,“类名”,[-1 1]);

设置一个分区来修复交叉验证。没有这个步骤，交叉验证是随机的，因此目标函数是不确定的。

c=CVD（200，“KFold”10);

检查原始拟合模型的交叉验证准确性。

损失= kfoldLoss (fitcsvm (grp cdata,“CVPartition”c...“KernelFunction”,“rbf”,“BoxConstraint”，SVMModel.BoxConstraints（1），...“KernelScale”, SVMModel.KernelParameters.Scale))

损失= 0.1350

为优化准备变量

目标函数接受输入z = [rbf_sigma boxconstraint]并返回的交叉验证损失值Z.以Z作为正变量，在1e-5和1e5．选择一个广泛的范围，因为你不知道哪些值可能是好的。

西格玛=优化变量(“西格玛”，[1e-5,1e5]，“转换”,“日志”); box=优化变量(“盒子”，[1e-5,1e5]，“转换”,“日志”）;

设置Plot函数并调用优化器

搜索最佳参数(σ,盒子)使用贝耶斯波特.对于再现性，请选择“expected-improvement-plus”采集函数。默认的采集函数取决于运行时间，因此它可以给出不同的结果。

绘制支持向量的数量作为迭代数的函数，并金宝app绘制找到的最佳参数的支持向量的数量。

obj=@（x）mysvmminfn（x，cdata，grp，c）；results=bayesopt（obj，[sigma，box]，...“IsObjectiveDeterministic”符合事实的“详细”0,...“AcquisitionFunctionName”,“expected-improvement-plus”,...“PlotFcn”, {@svmsuppvec、@plotObjectiveModel @plotMinObjective})

结果= BayesianOptimization属性:ObjectiveFcn: @ (x) mysvmminfn (x, cdata, grp, c) VariableDescriptions: [1 x2 optimizableVariable]选项:[1 x1 struct] MinObjective: 0.0750 XAtMinObjective: [1 x2表]MinEstimatedObjective: 0.0750 XAtMinEstimatedObjective: [1 x2表]NumObjectiveEvaluations: 30 TotalElapsedTime: 65.3092 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:[30x1 double] EstimatedObjectiveMinimumTrace: [30x1 double]