文件帮助中心文件
PeazereSentionncarebortion
使用邻域分量分析的回归特征选择(NCA)
PeazereSentionncarebortion包含邻域分量分析(NCA)模型的数据,拟合信息,特征权重和其他模型参数。FSRNCA使用NCA的对角线调整来了解要素权重,并返回一个实例PeazereSentionncarebortion目的。该功能通过规范特征权重来实现特征选择。
FSRNCA
创建一个PeazereSelectionNcaclassification.物体使用FSRNCA。
PeazereSelectionNcaclassification.
展开全部
numobservations.
培训数据中的观测数量(X和y)除去后南或者INF.值,存储为标量。
X
y
南
INF.
数据类型:双倍的
双倍的
模特分析者
用于训练模型的模型参数,存储为结构。
您可以访问字段模特分析者使用点表示法。
例如,对于命名的特点,对于neationedncaregressorlion对象MDL.,你可以访问损失价值使用mdl.modelparameters.lossfunction.。
MDL.
损失
mdl.modelparameters.lossfunction.
数据类型:塑造
塑造
lambda.
用于训练此模型的正则化参数,存储为标量。为了N.观察,最好的lambda.最小化NCA模型的泛化误差的值预计将是1 /N.。
Fitmethod.
'精确的'
'没有任何'
'平均数'
用于适合此模型的拟合方法的名称,存储为以下之一:
'精确的'- 使用所有数据执行拟合。
'没有任何'- 没有配件。使用此选项使用呼叫中提供的初始功能权重评估NCA模型的泛化误差FSRNCA。
'平均数'- 软件将数据划分为分区(子集),使用每个分区使用精确的方法,并返回特征权重的平均值。您可以使用该分区指定分区数numpartitions.名称值对参数。
精确的
numpartitions.
求解器
'lbfgs'
'SGD'
'minibatch-lbfgs'
用于适合此模型的求解器的名称,存储为以下之一:
'lbfgs'- 有限的记忆泡沫 - 弗莱彻 - 戈尔科 - 桑诺(LBFGS)算法
'SGD'- 随机梯度下降(SGD)算法
'minibatch-lbfgs'- 随机梯度下降与LBFGS算法应用于迷你批次
梯度特拉
对梯度规范的相对收敛耐受性'lbfgs'和'minibatch-lbfgs'求解器,存储为正标量值。
iterationlimit.
优化的最大迭代次数,存储为正整数值。
偏航
最大通行证数'SGD'和'minibatch-lbfgs'求解器。每个传递处理数据中的所有观察。
initialLearningrate.
初始学习率'SGD'和'minibatch-lbfgs'求解器。学习速率衰减以指定的值开始的迭代initialLearningrate.。
使用numtuning韵和调整aubsetsize.控制呼叫中的初始学习率的自动调整FSRNCA。
numtuning韵
调整aubsetsize.
verb
详细级别指示符,存储为非负整数。可能的值是:
0 - 没有收敛摘要
1 - 收敛摘要,包括梯度和目标函数值的规范
> 1 - 根据拟合算法,更多收敛信息。当你使用的时候'minibatch-lbfgs'求解器和冗长级别> 1,收敛信息包括来自中间小贴士LBFGS的迭代日志。
InitialFeaturePuights.
初始特征权重,存储为aP.-by-1阳性真正的标量向量,在哪里P.是预测因子的数量X。
功能重量
要素权重,存储为aP.-1个真正标量值的向量,在哪里P.是预测因子的数量X。
为了'fitmethod'等于'平均数'那功能重量是A.P.-经过-m矩阵,其中m是通过该分区指定的分区数量'numpartitions'呼叫中的名称值对参数FSRNCA。
'fitmethod'
'numpartitions'
绝对值功能重量(k)是预测因素的重要性的衡量标准K.。如果功能重量(k)接近0,这表明预测器K.不会影响反应y。
功能重量(k)
K.
FitInfo.
适合信息,存储为具有以下字段的结构。
迭代
客观的
缺陷的机制
坡度
分类,缺陷的机制表示NCA分类器对训练数据的休假准确性的负面。
回归,缺陷的机制表示使用NCA回归模型时的真实响应与预测响应之间的休假丢失。
为了'lbfgs'求解器,坡度是最终的渐变。为了'SGD'和'minibatch-lbfgs'求解器,坡度是最终的迷你批量渐变。
如果Fitmethod.是'平均数', 然后FitInfo.是一个m-By-1结构阵列,在哪里m是通过该分区指定的分区数量'numpartitions'名称值对参数。
您可以访问字段FitInfo.使用点表示法。例如,对于neationselectionncaregressionionObject命名MDL.,你可以访问客观的现场使用mdl.fitinfo.objective.。
mdl.fitinfo.objective.
亩
[]
预测器意味着,存储为P.- 1个标准化训练数据的向量。在这种情况下,预测方法中心预测矩阵X通过减去各个元素亩从每一列。
预测
如果在训练期间没有标准化数据,那么亩是空的。
Sigma.
预测标准偏差,存储为P.- 1个标准化训练数据的向量。在这种情况下,预测方法尺度预测矩阵X通过各自的元素划分每个列Sigma.使用数据以居中居中亩。
如果在训练期间没有标准化数据,那么Sigma.是空的。
用于培训此模型的预测值值,存储为N.-经过-P.矩阵。N.是观察人数和P.是培训数据中的预测器变量的数量。
用于训练此模型的响应值,存储为大小的数字矢量N.,其中n是观察的数量。
W.
用于训练此模型的观察权重,存储为大小的数字矢量N.。观察权重的总和是N.。
全部收缩
加载样本数据。
加载进口-85.
前15列包含连续的预测变量,而第16列包含响应变量,这是汽车的价格。定义邻域分量分析模型的变量。
预测器= x(:,1:15);y = x(:,16);
适合回归的邻域分量分析(NCA)模型以检测相关特征。
mdl = fsrnca(预测器,y);
返回的NCA模型,MDL.,是A.PeazereSentionncarebortion目的。该对象存储有关培训数据,模型和优化的信息。您可以使用点表示法访问对象属性,例如要素权重。
绘制特征权重。
图()绘图(mdl.featureweights,'ro')Xlabel('特征索引')ylabel('特征重量') 网格上
无关的特征的重量为零。这'verbose',1呼叫中的选项FSRNCA在命令行上显示优化信息。您还可以通过绘制目标函数与迭代号来可视化优化过程。
'verbose',1
图()绘图(mdl.fitinfo.jertation,mdl.fitinfo.objective,'ro-') 网格上Xlabel('迭代号')ylabel('客观的')
这模特分析者物业是A.塑造其中包含有关模型的更多信息。您可以使用点表示法访问此属性的字段。例如,请参阅数据是否标准化。
mdl.modelparameters.standardize.
ans =.逻辑0.
0.意味着在拟合NCA模型之前未标准化数据。当使用时,您可以在非常不同的尺度上标准化预测器'标准化',1呼叫中的名称值对参数FSRNCA。
0.
'标准化',1
价值。要了解值类如何影响复制操作,请参阅复制对象。
FSRNCA|失利|预测|改装
失利
改装
您有此示例的修改版本。您是否希望使用您的编辑打开此示例?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。
联系您当地的办公室