对高维数据拟合线性分类模型据/p>
FitClinear.据/code>训练线性分类模型用于使用高维、完整或稀疏预测数据进行二类学习。现有的线性分类模型包括正则支持向量机(SVM)和logistic回归模型。金宝app据Code class="function">FitClinear.据/code>使用减少计算时间的技术(例如,随机梯度下降)最小化目标函数。据/p>
对于包括许多预测变量的高维数据集的计算时间,通过使用培训线性分类模型据Code class="literal">FitClinear.据/code>.有关低至中维预测数据集,请参阅据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">低维数据的替代方案据/a>.据/p>
通过使用纠错输出代码组合SVM或Logistic回归二进制分类器来培训多种数据师学习的线性分类模型,参见据a href="//www.tatmou.com/help/stats/fitcecoc.html">Fitcecoc.据/code>.据/p>
返回一个训练过的线性分类模型对象据Code class="argument">Mdl据/code>包含了用二元支持向量机拟合预测器的结果金宝app据Code class="literal">X据/code>和班级标签据Code class="literal">y据/code>.据/p>
Mdl据/code>
= fitclinear (据a href="#bu2viad_sep_shared-X" class="intrnllnk">X据/code>那据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>)据/code>
使用表中的预测器变量返回线性分类模型据Code class="argument">资源描述据/code>和班级标签据Code class="literal">资源描述。ResponseVarName据/code>.据/p>
Mdl据/code>
= fitclinear (据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk">资源描述据/code>那据a href="#bu2viad_sep_shared-ResponseVarName" class="intrnllnk">
ResponseVarName据/code>)据/code>
使用表中的示例数据返回线性分类模型据Code class="argument">资源描述据/code>.输入参数据Code class="argument">公式据/code>是否有一个反应的解释模型和一个预测变量子集据Code class="argument">资源描述据/code>曾经适合据Code class="argument">Mdl据/code>.据/p>
Mdl据/code>
= fitclinear (据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk">资源描述据/code>那据a href="#bu2viad_sep_shared-formula" class="intrnllnk">
公式据/code>)据/code>
使用表中的预测器变量返回线性分类模型据Code class="argument">资源描述据/code>以及vector中的类标签据Code class="argument">y据/code>.据/p>
Mdl据/code>
= fitclinear (据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk">资源描述据/code>那据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>)据/code>
除了前面语法中的任何输入参数组合外,还使用一个或多个名称-值对参数指定选项。例如,您可以指定预测器矩阵的列与观察值对应,实现逻辑回归,或指定交叉验证。一个好的实践是使用据Code class="literal">“Kfold”据/code>名称-值对的论点。交叉验证的结果决定了模型的泛化程度。据/p>
Mdl据/code>
= fitclinear (据a href="#bu2viad_sep_shared-X" class="intrnllnk">X据/code>那据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>那据a href="#namevaluepairarguments" class="intrnllnk">
名称,值据/code>)据/code>
[据a href="#bu2viad-Mdl" class="intrnllnk">
还使用任何前面的语法返回优化细节。你不能要求据Code class="literal">FitInfo.据/code>用于交叉验证模型。据/p>
Mdl据/code>那据a href="#bu2viad_sep_shared-FitInfo" class="intrnllnk">
FitInfo.据/code>) = fitclinear (据span class="argument_placeholder">___据/span>)据/code>
[据a href="#bu2viad-Mdl" class="intrnllnk">
传递参数时,还返回超参数优化细节据a href="#bu2viad-OptimizeHyperparameters" class="intrnllnk">Mdl据/code>那据a href="#bu2viad_sep_shared-FitInfo" class="intrnllnk">
FitInfo.据/code>那据a href="#bu2viad_sep_mw_d85d84fa-0222-43da-a8ca-e20f2e624030" class="intrnllnk">
HyperparameterOptimizationResults据/code>) = fitclinear (据span class="argument_placeholder">___据/span>)据/code>
优化hyperParameters.据/code>名称值对。据/p>
使用支持向量机、双SGD和脊正则化训练二元线性分类模型。金宝app据/p>
加载NLP数据集。据/p>
负载据span style="color:#A020F0">nlpdata据/span>
确定对应于统计和机器学习工具箱™文档网页的标签。据/p>
培训二进制线性分类模型,可以识别文档网页中的单词计数是否来自统计信息和计算机学习工具箱™文档。使用整个数据集列车模型。确定优化算法如何通过提取拟合摘要将模型适合数据。据/p>
X据/code>是预测数据的稀疏矩阵,和据Code class="literal">y据/code>是类标签的分类向量。数据中有两个以上的类。据/p>
Ystats = Y ==据span style="color:#A020F0">“统计数据”据/span>;据/pre>
rng (1);据span style="color:#228B22">重复性的%据/span>[MDL,FITINFO] = FITCLINEAR(X,YSTATS)据/pre>
Mdl = classficationlinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'none' Beta: [34023x1 double] Bias: -1.0059 Lambda: 3.1674e-05 Learner: 'svm'属性,方法据/pre>
FitInfo =据span class="emphasis">结构体字段:据/em>Lambda:3.1674E-05目的:5.3783E-04百分比:10个Numpasses:10 Batchlimit:[]数值:238561毕级:0 RelativeChangeInbeta:0.0562 BetaTolerance:1.0000E-04 Deltagradient:1.4582 DeltagrientTolerance:1 TerminationCode:0 TerminationStatus:{'迭代限制超过。'} alpha:[31572x1双]历史:[] Fittime:0.1578求解器:{'dual'}据/pre>
Mdl据/code>是一个据Code class="literal">分类线性据/code>模型。你可以通过据Code class="literal">Mdl据/code>以及培训或新数据据Code class="literal">损失据/code>检查样本分类错误。或者,你可以通过据Code class="literal">Mdl据/code>和新的预测数据据Code class="literal">预测据/code>预测课程标签进行新观察。据/p>
FitInfo.据/code>是一个结构数组,其中包含终止状态(据Code class="literal">terminationStatus.据/code>)以及求解器将模型与数据拟合所需的时间(据Code class="literal">Fittime.据/code>).这是很好的实践据Code class="literal">FitInfo.据/code>确定优化终止测量是否令人满意。由于训练时间很小,您可以尝试重新训练模型,但增加数据的传递次数。这可以改善诸如据Code class="literal">临时称为据/code>.据/p>
为了确定一个良好的套索惩罚强度的线性分类模型使用逻辑回归学习者,实施5倍交叉验证。据/p>
加载NLP数据集。据/p>
负载据span style="color:#A020F0">nlpdata据/span>
模型应该识别网页中的单词计数是否来自统计学和机器学习工具箱™文档。因此,识别与统计和机器学习工具箱™文档网页相对应的标签。据/p>
创建一组11个对数间隔的正则化强度据span class="inlineequation">
通过据span class="inlineequation">
.据/p>
交叉验证模型。为了提高执行速度,转换预测器数据并指定观察中的观察。使用sparsa估算系数。降低目标函数梯度的容差据Code class="literal">1E-8据/code>.据/p>
显示第一个培训的线性分类模型。据/p>
估计交叉验证的分类误差。据/p>
因为有11种正规化强度,据Code class="literal">ce据/code>是分类错误率的1 × 11向量。据/p>
更高的值据Code class="literal">λ据/code>导致预测变量稀疏性,这是分类器的良好质量。对于每个正则化强度,使用整个数据集和交叉验证模型时的选项列出线性分类模型。确定每个模型的非零系数的数量。据/p>
在同一图中,绘制每个正则化强度的交叉验证、分类错误率和非零系数的频率。在对数尺度上绘制所有变量。据/p>
选择平衡预测变量稀疏性和低分类误差的正则化强度指标。在本例中,是介于之间的值据span class="inlineequation">
来据span class="inlineequation">
应该足够了。据/p>
选择模型据Code class="literal">Mdl据/code>与所选择的正规化强度。据/p>
X据/code>是预测数据的稀疏矩阵,和据Code class="literal">y据/code>是类标签的分类向量。数据中有两个以上的类。据/p>
Ystats = Y ==据span style="color:#A020F0">“统计数据”据/span>;据/pre>
-0.5λ= logspace(6日,11);据/pre>
X = X ';RNG(10);据span style="color:#228B22">重复性的%据/span>cvmdl = fitclinear(x,ystats,据span style="color:#A020F0">“ObservationsIn”据/span>那据span style="color:#A020F0">'列'据/span>那据span style="color:#A020F0">'kfold'据/span>,5,据span style="color:#0000FF">......据/span>“学习者”据/span>那据span style="color:#A020F0">“物流”据/span>那据span style="color:#A020F0">“规划求解”据/span>那据span style="color:#A020F0">“sparsa”据/span>那据span style="color:#A020F0">'正规化'据/span>那据span style="color:#A020F0">“套索”据/span>那据span style="color:#0000FF">......据/span>'lambda'据/span>λ,据span style="color:#A020F0">“GradientTolerance”据/span>1 e-8)据/pre>
CVMDL =分类rucationEdearileDlowstevateDedModel:'线性'racanceName:'y'numobservations:31572 kfold:5分区:[1×1 cvpartition] classNames:[0 1] scoreTransform:'无'属性,方法据/pre>
numCLModels =元素个数(CVMdl.Trained)据/pre>
numclmodels = 5据/pre>
CVMdl据/code>是一个据Code class="literal">ClassificationPartitionedLinear据/code>模型。因为据Code class="literal">FitClinear.据/code>实现5倍交叉验证,据Code class="literal">CVMdl据/code>包含5.据Code class="literal">分类线性据/code>软件在每次折叠时训练的模型。据/p>
mdl1 = cvmdl.tromed {1}据/pre>
Mdl1 = ClassificationLinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'logit' Beta: [34023×11 double] Bias: [-13.2559 -13.2559 -13.2559 -9.1017 -7.1128 -5.4113 -3.6007 -3.1606 -2.9794] Lambda: [1.0000e-06 3.5481e-06 1.2589e-05 4.4668e-05 1.5849e-04 5.6234e-04 0.0020 0.0071 0.0251 0.0891 0.3162]初学者:“物流”属性,方法据/pre>
Mdl1据/code>是一个据Code class="literal">分类线性据/code>模型对象。据Code class="literal">FitClinear.据/code>构造据Code class="literal">Mdl1据/code>通过前四次训练。因为据Code class="literal">λ据/code>你能想到一个正规化强度的序列吗据Code class="literal">Mdl1据/code>作为11个型号,一个用于每个正则化强度据Code class="literal">λ据/code>.据/p>
ce = kfoldloss(cvmdl);据/pre>
Mdl = fitclinear (X, Ystats据span style="color:#A020F0">“ObservationsIn”据/span>那据span style="color:#A020F0">'列'据/span>那据span style="color:#0000FF">......据/span>“学习者”据/span>那据span style="color:#A020F0">“物流”据/span>那据span style="color:#A020F0">“规划求解”据/span>那据span style="color:#A020F0">“sparsa”据/span>那据span style="color:#A020F0">'正规化'据/span>那据span style="color:#A020F0">“套索”据/span>那据span style="color:#0000FF">......据/span>'lambda'据/span>λ,据span style="color:#A020F0">“GradientTolerance”据/span>1 e-8);numNZCoeff = (Mdl.Beta ~ = 0)之和;据/pre>
图;[h, hL1, hL2] = plotyy (log10(λ)log10 (ce),据span style="color:#0000FF">......据/span>log10(lambda),log10(numnzcoeff));HL1.Marker =据span style="color:#A020F0">'o'据/span>;hL2。标志=据span style="color:#A020F0">'o'据/span>;ylabel(h(1),据span style="color:#A020F0">'log_ {10}分类错误'据/span>) ylabel (h (2),据span style="color:#A020F0">“log_ {10} nonzero-coefficient频率”据/span>)包含(据span style="color:#A020F0">“log_{10}λ的据/span>) 标题(据span style="color:#A020F0">'test-sample statistics'据/span>) 抓住据span style="color:#A020F0">从据/span>
idxFinal = 7;据/pre>
mdlfinal = SelectModels(MDL,IDXFinal);据/pre>
MdlFinal据/code>是一个据Code class="literal">分类线性据/code>模型包含一个正则化强度。估算新观察的标签,通过据Code class="literal">MdlFinal据/code>和新的数据据Code class="literal">预测据/code>.据/p>
此示例显示了如何最小化线性分类器中的交叉验证错误据Code class="literal">FitClinear.据/code>.该示例使用NLP数据集。据/p>
加载NLP数据集。据/p>
负载据span style="color:#A020F0">nlpdata据/span>
模型应该识别网页中的单词计数是否来自统计学和机器学习工具箱™文档。确定相关标签。据/p>
使用该分类优化据Code class="literal">'汽车'据/code>参数。据/p>
为了再现性,设置随机种子并使用据Code class="literal">“expected-improvement-plus”据/code>采集功能。据/p>
X据/code>是预测数据的稀疏矩阵,和据Code class="literal">y据/code>是类标签的分类向量。数据中有两个以上的类。据/p>
X = X ';Ystats = Y ==据span style="color:#A020F0">“统计数据”据/span>;据/pre>
rng据span style="color:#A020F0">默认据/span>Mdl = fitclinear (X, Ystats据span style="color:#A020F0">“ObservationsIn”据/span>那据span style="color:#A020F0">'列'据/span>那据span style="color:#A020F0">“规划求解”据/span>那据span style="color:#A020F0">“sparsa”据/span>那据span style="color:#0000FF">......据/span>“OptimizeHyperparameters”据/span>那据span style="color:#A020F0">'汽车'据/span>那据span style="color:#A020F0">'hyperparameteroptimizationoptions'据/span>那据span style="color:#0000FF">......据/span>struct(据span style="color:#A020F0">'获取功能名称'据/span>那据span style="color:#A020F0">“expected-improvement-plus”据/span>))据/pre>
| ===================================================================================================== ||磨练|eval |目标|目标|Bestsofar |Bestsofar |lambda |学习者| | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 1 | Best | 0.041619 | 4.0257 | 0.041619 | 0.041619 | 0.077903 | logistic |据/pre>
|2 |最好的0.00072849 |3.8245 |0.00072849 |0.0028767 |2.1405E-09 |物流|据/pre>
| 3 |接受| 0.049221 | 4.6777 | 0.00072849 | 0.00075737 | 0.72101 | svm |据/pre>
|4 |接受|0.00079184 |4.299 |0.00072849 |0.00074989 |3.4734E-07 |SVM |据/pre>
| 5 | Accept | 0.00082351 | 3.9102 | 0.00072849 | 0.00072924 | 1.1738e-08 | logistic |据/pre>
| 6 |接受| 0.00085519 | 4.2132 | 0.00072849 | 0.00072746 | 2.4529e-09 | svm |据/pre>
| 7 | Accept | 0.00079184 | 4.1282 | 0.00072849 | 0.00072518 | 3.1854e-08 | svm |据/pre>
| 8 |接受| 0.00088686 | 4.4564 | 0.00072849 | 0.00072236 | 3.1717e-10 | svm |据/pre>
| 9 | Accept | 0.00076017 | 3.7918 | 0.00072849 | 0.00068304 | 3.1837e-10 | logistic |据/pre>
|10 |接受|0.00079184 |4.4733 |0.00072849 |0.00072853 |1.1258E-07 |SVM |据/pre>
| 11 | Accept | 0.00076017 | 3.9953 | 0.00072849 | 0.00072144 | 2.1214e-09 | logistic |据/pre>
| 12 | Accept | 0.00079184 | 6.7875 | 0.00072849 | 0.00075984 | 2.2819e-07 | logistic |据/pre>
| 13 | Accept | 0.00072849 | 4.2131 | 0.00072849 | 0.00075648 | 6.6161e-08 | logistic |据/pre>
|14 |最好的0.00069682 |4.3785 |0.00069682 |0.00069781 |7.4324E-08 |物流|据/pre>
| 15 | Best | 0.00066515 | 4.3717 | 0.00066515 | 0.00068861 | 7.6994e-08 | logistic |据/pre>
| 16 | Accept | 0.00076017 | 3.9068 | 0.00066515 | 0.00068881 | 7.0687e-10 | logistic |据/pre>
|17 |接受|0.00066515 |4.5966 |0.00066515 |0.0006838 |7.7159E-08 |物流|据/pre>
|18 |接受|0.0012353 |4.6723 |0.00066515 |0.00068521 |0.00083275 |SVM |据/pre>
| 19 | Accept | 0.00076017 | 4.2389 | 0.00066515 | 0.00068508 | 5.0781e-05 | svm |据/pre>
| 20 |接受| 0.00085519 | 3.2483 | 0.00066515 | 0.00068527 | 0.00022104 | svm |据/pre>
| ===================================================================================================== ||磨练|eval |目标|目标|Bestsofar |Bestsofar |lambda |学习者| | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 21 | Accept | 0.00082351 | 6.7163 | 0.00066515 | 0.00068569 | 4.5396e-06 | svm |据/pre>
|22 |接受|0.0010769 |15.946 |0.00066515 |0.00070107 |5.1931E-06 |物流|据/pre>
|23 |接受|0.00095021 |17.989 |0.00066515 |0.00069594 |1.3051E-06 |物流|据/pre>
| 24 |接受| 0.00085519 | 5.5831 | 0.00066515 | 0.00069625 | 1.6481e-05 | svm |据/pre>
| 25 |接受| 0.00085519 | 4.5366 | 0.00066515 | 0.00069643 | 1.157e-06 | svm |据/pre>
|26 |接受|0.00079184 |3.6968 |0.00066515 |0.00069667 |1.0016E-08 |SVM |据/pre>
|27 |接受|0.00072849 |3.9655 |0.00066515 |0.00069848 |4.2234E-08 |物流|据/pre>
| 28 | Accept | 0.049221 | 0.49611 | 0.00066515 | 0.00069842 | 3.1608 | logistic |据/pre>
| 29 |接受| 0.00085519 | 4.3911 | 0.00066515 | 0.00069855 | 8.5626e-10 | svm |据/pre>
|30 |接受|0.00076017 |3.8952 |0.00066515 |0.00069837 |3.1946E-10 |物流|据/pre>
__________________________________________________________ 优化完成。maxobjective达到30个。总函数计算:30总运行时间:173.5287秒。总目标函数评价时间:153.4246最佳观测可行点:Lambda Learner __________ ________ 7.6994e-08 logistic观测目标函数值= 0.00066515估计目标函数值= 0.00069859函数评价时间= 4.3717最佳估计可行点(根据模型):Lambda Learner __________ ________ 7.4324e-08 logistic估计目标函数值= 0.00069837估计函数评价时间= 4.3951据/pre>
Mdl = ClassificationLinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'logit' Beta: [34023×1 double] Bias: -10.1723 Lambda: 7.4324e-08初学者:'logistic'属性,方法据/pre>
X据/code>-据span itemprop="purpose">预测数据据/span>
全矩阵据/span>|据span itemprop="inputvalue">稀疏矩阵据/span>
预测数据,指定为一个据E.mClass="varname">N据/em>-经过-据E.mClass="varname">P.据/em>满或稀疏矩阵。据/p>
长度据Code class="literal">y据/code>和观察人数据Code class="literal">X据/code>必须是相等的。据/p>
请注意据/strong>
如果您定位预测矩阵,以便观察对应于列并指定据Code class="literal">'观察','列'据/code>,然后您可能会遇到优化执行时间的显着减少。据/p>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
y据/code>-据span itemprop="purpose">类标签据/span>
分类数组据/span>|据span itemprop="inputvalue">字符阵列据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">逻辑矢量据/span>|据span itemprop="inputvalue">数字矢量据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
培训分类模型的类标签,指定为分类,字符或字符串阵列,逻辑或数字矢量或字符向量的单元格数组。据/p>
FitClinear.据/code>仅支持二进金宝app制分类。要么据Code class="argument">y据/code>必须包含两个完全不同的类,或者必须使用据Code class="argument">“类名”据/code>名称-值对的论点。对于多字母学习,请参阅据a href="//www.tatmou.com/help/stats/fitcecoc.html">
Fitcecoc.据/code>.据/p>
如果据Code class="literal">y据/code>是一个字符数组,那么每个元素都必须对应于数组的一行。据/p>
长度据Code class="literal">y据/code>必须等于观察的数量据a href="#bu2viad_sep_shared-X" class="intrnllnk">X据/code>或据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk">
资源描述据/code>.据/p>
良好的做法是使用使用的类顺序据a href="#bu2viad_sep_shared-ClassNames" class="intrnllnk">Classnames.据/code>名称-值对的论点。据/p>
数据类型:据/strong>char据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">细胞据/code>|据Code itemprop="datatype">分类据/code>|据Code itemprop="datatype">逻辑据/code>|据Code itemprop="datatype">单据/code>|据Code itemprop="datatype">双倍的据/code>
资源描述据/code>-据span itemprop="purpose">样本数据据/span>
表格据/span>
用于培训模型的示例数据,指定为表。每一排据Code class="literal">资源描述据/code>对应一个观察值,每一列对应一个预测变量。可选地,据Code class="literal">资源描述据/code>可以包含响应变量的一个附加列。不允许使用除了字符向量的单元格阵列之外的多色变量和单元阵列。据/p>
如果据Code class="literal">资源描述据/code>包含响应变量,并且您希望使用中的所有剩余变量据Code class="literal">资源描述据/code>作为预测器,然后通过使用指定响应变量据a href="#bu2viad_sep_shared-ResponseVarName" class="intrnllnk"> 如果据Code class="literal">资源描述据/code>包含响应变量,并且只想仅使用剩余变量的子集据Code class="literal">资源描述据/code>作为预测器,然后通过使用据a href="#bu2viad_sep_shared-formula" class="intrnllnk"> 如果据Code class="literal">资源描述据/code>不包含响应变量,则使用据a href="#bu2viad_sep_shared-Y" class="intrnllnk"> 数据类型:据/strong>ResponseVarName据/code>.据/p>
公式据/code>.据/p>
y据/code>.响应变量的长度和行的数量据Code class="literal">资源描述据/code>必须是相等的。据/p>
表格据/code>
ResponseVarName据/code>-据span itemprop="purpose">响应变量名据/span>
变量名称据Code class="literal">资源描述据/code>
响应变量名称,指定为变量的名称据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 您必须指定据Code class="literal">ResponseVarName据/code>作为字符向量或字符串标量。例如,如果响应变量据Code class="literal">y据/code>存储为据Code class="literal">tbl.y.据/code>,然后将其指定为据Code class="literal">“Y”据/code>.否则,软件将对所有列进行处理据Code class="literal">资源描述据/code>, 包含据Code class="literal">y据/code>,作为训练模型时的预测器。据/p>
响应变量必须是分类,字符或字符串阵列,逻辑或数字矢量,或字符向量的小区数组。如果据Code class="literal">y据/code>是字符数组,则响应变量的每个元素必须对应于数组的一行。据/p>
方法指定类的顺序是一种好的实践据a href="#bu2viad_sep_shared-ClassNames" class="intrnllnk"> 数据类型:据/strong>资源描述据/code>.据/p>
Classnames.据/code>名称-值对的论点。据/p>
char据/code>|据Code itemprop="datatype">细绳据/code>
公式据/code>-据span itemprop="purpose">响应变量的解释模型和预测变量子集据/span>
字符向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
响应变量的解释模型和预测变量的子集,指定为表单中的字符向量或字符串标量据Code class="literal">'y〜x1 + x2 + x3'据/code>.在这种形式,据Code class="literal">y据/code>表示响应变量,和据Code class="literal">X1据/code>那据Code class="literal">X2据/code>,据Code class="literal">X3据/code>代表预测变量。据/p>
中指定变量的子集据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 公式中的变量名称必须是变量名称据Code class="argument">资源描述据/code>(据Code class="literal">Tbl.Properties.VariableNames据/code>)和有效的MATLAB据sup>®据/sup>标识符。据/p>
您可以验证变量名据Code class="argument">资源描述据/code>通过使用据a href="//www.tatmou.com/help/matlab/ref/isvarname.html">资源描述据/code>作为培训模型的预测器,使用公式。如果指定公式,则软件不使用任何变量据Code class="argument">资源描述据/code>没有出现在据Code class="argument">公式据/code>.据/p>
isvarname据/code>功能。以下代码返回逻辑据Code class="literal">1据/code>(据Code class="literal">真正的据/code>)对于具有有效变量名的每个变量。据/p>
cellfun (@isvarname Tbl.Properties.VariableNames)据/pre>
matlab.lang.makeValidName据/code>功能。据div class="code_responsive">
Tbl.Properties.VariableNames = matlab.lang.makeValidName (Tbl.Properties.VariableNames);据/pre>
数据类型:据/strong>char据/code>|据Code itemprop="datatype">细绳据/code>
请注意据/strong>
该软件将据Code class="literal">南据/code>,空字符向量(据Code class="literal">''据/code>),空字符串(据Code class="literal">""据/code>),据Code class="literal">< >失踪据/code>,据Code class="literal"><定义>据/code>元素作为缺失值,并删除具有以下特征的观察值:据/p>
响应变量中缺失的值(例如,据Code class="argument">y据/code>或据Code class="argument">验证数据据/code>{2}据/code>)据/p>
预测性观察中的至少一个缺失值(例如,行据Code class="argument">X据/code>或据Code class="literal">ValidationData {1}据/code>)据/p>
南据/code>值或据Code class="literal">0.据/code>重量(例如,价值据Code class="argument">权重据/code>或据Code class="literal">ValidationData {3}据/code>)据/p>
对于内存使用经济性,最好在培训之前删除包含培训数据中缺失值的观察结果。据/p>
指定可选的逗号分离对据Code class="argument">名称,值据/code>参数。据Code class="literal">的名字据/code>参数名和据Code class="literal">价值据/code>为对应值。据Code class="literal">的名字据/code>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据Code class="literal">Name1, Value1,…,的家据/code>.据/p>
例子:据/strong>“ObservationsIn”、“列”、“学习者”,“物流”、“CrossVal”,“上”据/code>指定预测器矩阵的列对应于观察,以实现逻辑回归,实现10倍交叉验证。据/span>
请注意据/strong>
您不能使用任何交叉验证名称 - 值对参数以及据Code class="literal">“OptimizeHyperparameters”据/code>名称-值对的论点。可以为。修改交叉验证据Code class="argument">“OptimizeHyperparameters”据/code>只有使用据Code class="argument">'hyperparameteroptimizationoptions'据/code>名称-值对的论点。据/p>
'lambda'据/code>-据span itemprop="purpose">正则化术语力量据/span>
'汽车'据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>|据span itemprop="inputvalue">非负值向量据/span>
正则化术语力量,指定为逗号分隔对组成据Code class="literal">'lambda'据/code>和据Code class="literal">'汽车'据/code>,非负标量或非负值的向量。据/p>
为据Code class="literal">'汽车'据/code>那据Code class="literal">λ据/code>= 1 /据E.mClass="varname">N据/em>.据/p>
如果指定交叉验证,名称-值对参数(例如,据a href="#bu2viad_sep_shared-CrossVal" class="intrnllnk">横梁据/code>), 然后据E.mClass="varname">N据/em>为折叠观测的次数。据/p>
除此以外,据E.mClass="varname">N据/em>为训练样本量。据/p>
对于一个非负值的向量,据Code class="function">FitClinear.据/code>顺序地优化每个不同值的目标函数据Code class="literal">λ据/code>按升序。据/p>
如果据a href="#bu2viad_sep_shared-Solver" class="intrnllnk">解算器据/code>是据Code class="literal">“sgd”据/code>或据Code class="literal">“asgd”据/code>和据a href="#bu2viad_sep_shared-Regularization" class="intrnllnk">
正则化据/code>是据Code class="literal">“套索”据/code>那据Code class="function">FitClinear.据/code>不使用以前的系数估计作为a据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">温暖的开始据/a>对于下一个优化迭代。除此以外,据Code class="function">FitClinear.据/code>使用温暖的开始。据/p>
如果据Code class="literal">正则化据/code>是据Code class="literal">“套索”据/code>,然后0的任何系数估计值都保留其值时据Code class="function">FitClinear.据/code>使用后续值优化据Code class="literal">λ据/code>.据/p>
FitClinear.据/code>返回每个指定正则化强度的系数估计值。据/p>
例子:据/strong>“λ”,10 ^ (- (10:2:2))据/code>
数据类型:据/strong>char据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">双倍的据/code>|据Code itemprop="datatype">单据/code>
“学习者”据/code>-据span itemprop="purpose">线性分类模型型据/span>
'svm'据/code>
(默认)|据span itemprop="inputvalue">“物流”据/code>
线性分类模型类型,指定为逗号分隔对组成据Code class="literal">“学习者”据/code>和据Code class="literal">'svm'据/code>或据Code class="literal">“物流”据/code>.据/p>
在这个表中,据span class="inlineequation">
β据/em>是向量据E.mClass="varname">P.据/em>系数。据/p>
X据/em>是一个观察据E.mClass="varname">P.据/em>预测变量。据/p>
B.据/em>是标量偏见。据/p>
价值据/th> | 算法据/th> | 响应范围据/th> | 损失功能据/th> |
---|---|---|---|
'svm'据/code> |
金宝app支持向量机据/td> | y据/em>∊{1};正数为1,否则为-1据/td>
合页:据span class="inlineequation">
|
|
“物流”据/code> |
逻辑回归据/td> | 一样据Code class="literal">'svm'据/code> | 偏差(物流):据span class="inlineequation"> |
例子:据/strong>“学习者”,“物流”据/code>
“ObservationsIn”据/code>-据span itemprop="purpose">预测数据观测维数据/span>
'行'据/code>
(默认)|据span itemprop="inputvalue">'列'据/code>
预测器数据观测维数,由指定的逗号分隔对组成据Code class="literal">“ObservationsIn”据/code>和据Code class="literal">'列'据/code>或据Code class="literal">'行'据/code>.据/p>
请注意据/strong>
如果您定位预测矩阵,以便观察对应于列并指定据Code class="literal">'观察','列'据/code>,然后您可能会遇到优化执行时间的显着减少。您无法指定据Code class="literal">'观察','列'据/code>用于表中的预测器数据。据/p>
'正规化'据/code>-据span itemprop="purpose">复杂性惩罚类型据/span>
“套索”据/code>
|据span itemprop="inputvalue">'岭'据/code>
复杂性惩罚类型,指定为逗号分隔对组成据Code class="literal">'正规化'据/code>和据Code class="literal">“套索”据/code>或据Code class="literal">'岭'据/code>.据/p>
该软件组成目标函数,以便从平均损耗函数的总和中最小化(参见据a href="#bu2viad_sep_shared-Learner" class="intrnllnk"> 要指定正则项强度,即据E.mClass="varname">λ据/em>在表达中,使用据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk"> 该软件排除了偏差项(据E.mClass="varname">β据/em>0.据/sub>)从正则化罚款。据/p>
如果据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 提示据/strong> 对于预测器变量选择,请指定据Code class="literal">“套索”据/code>.有关变量选择的更多信息,请参见据a href="//www.tatmou.com/help/stats/feature-selection.html" class="a">特征选择简介据/a>.据/p> 用于优化精度,指定据Code class="literal">'岭'据/code>.据/p> 例子:据/strong>学习者据/code>)和该表中的正则化项。据/p>
价值据/th>
描述据/th>
“套索”据/code>
套索(L1)惩罚:据span class="inlineequation">
'岭'据/code>
脊(L2)罚款:据span class="inlineequation">
λ据/code>.据/p>
解算器据/code>是据Code class="literal">“sparsa”据/code>,然后是默认值据Code class="literal">正则化据/code>是据Code class="literal">“套索”据/code>.否则,默认为据Code class="literal">'岭'据/code>.据/p>
“正规化”、“套索”据/code>
“规划求解”据/code>-据span itemprop="purpose">客观函数最小化技术据/span>
“sgd”据/code>
|据span itemprop="inputvalue">“asgd”据/code>
|据span itemprop="inputvalue">“双重”据/code>
|据span itemprop="inputvalue">“蓄热”据/code>|据span itemprop="inputvalue">'lbfgs'据/code>|据span itemprop="inputvalue">“sparsa”据/code>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
目标函数最小化技术,指定为逗号分隔对组成据Code class="literal">“规划求解”据/code>和字符向量或字符串标量,字符串数组或字符向量的小区数组,具有此表的值。据/p>
价值据/th> | 描述据/th> | 限制据/th> |
---|---|---|
“sgd”据/code> |
随机梯度下降法据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[4]据/a>[2]据/a> | |
“asgd”据/code> |
平均随机梯度下降据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[7]据/a> | |
“双重”据/code> |
双SGD用于SVM据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[1]据/a>[6]据/a> | 正则化据/code> 必须据Code class="literal">'岭'据/code>和据a href="#bu2viad_sep_shared-Learner" class="intrnllnk">学习者据/code>必须据Code class="literal">'svm'据/code>.据/td>
|
“蓄热”据/code> |
Broyden-Fletcher-Goldfarb-Shanno Quasi-Newton算法(BFGS)据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[3]据/a> | 效率低下,如果据a href="#bu2viad_sep_shared-X" class="intrnllnk">X据/code>是非常高的。据/td>
|
'lbfgs'据/code> |
内存有限bfg (LBFGS)据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[3]据/a> | 正则化据/code>必须据Code class="literal">'岭'据/code>.据/td>
|
“sparsa”据/code> |
可分离近似稀疏重建(SpaRSA)据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[5]据/a> | 正则化据/code>必须据Code class="literal">“套索”据/code>.据/td>
|
如果你指定:据/p>
岭罚(见据Code class="argument">正则化据/code>) 和据Code class="argument">X据/code>包含100或更少的预测变量,则默认解算器为据Code class="literal">“蓄热”据/code>.据/p>
支持向量机模型(见据Code class="argument">学习者据/code>),山脊罚分,以及据Code class="argument">X据/code>包含超过100个预测变量,然后默认解算器是据Code class="literal">“双重”据/code>.据/p>
一个套索惩罚和据Code class="argument">X据/code>包含100或更少的预测变量,则默认解算器为据Code class="literal">“sparsa”据/code>.据/p>
否则,默认解算器是据Code class="literal">“sgd”据/code>.据/p>
如果指定求解器名称的字符串数组或单元格数组,则软件将按照每个求解器的指定顺序使用所有求解器据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk"> 有关哪些求解器的更多详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">提示据/a>.据/p>
例子:据/strong>λ据/code>.据/p>
'求解',{'sgd','lbfgs'}据/code>
“β”据/code>-据span itemprop="purpose">初始线性系数估计据/span>
Zeros(据E.mClass="replaceable">P.据/code>1)据/code>
(默认)|据span itemprop="inputvalue">数字矢量据/span>|据span itemprop="inputvalue">数字矩阵据/span>
初始线性系数估计(据E.mClass="varname">β据/em>),指定为逗号分隔的对,由据Code class="literal">“β”据/code>A.据E.mClass="varname">P.据/em>-维数向量或a据E.mClass="varname">P.据/em>-经过-据E.mClass="varname">L.据/em>数字矩阵。据E.mClass="varname">P.据/em>预测变量的数量在吗据a href="#bu2viad_sep_shared-X" class="intrnllnk"> 如果您指定了一个据E.mClass="varname">P.据/em>- vimensional vector,然后软件优化目标函数据E.mClass="varname">L.据/em>使用此过程的时间。据/p>
该软件优化使用据Code class="literal">β据/code>的初始值和最小值据Code class="argument">λ据/code>作为正规化的力量。据/p> 该软件再次优化使用的结果估计从以前的优化作为据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">温暖的开始据/a>,以及下一个最小的价值据Code class="literal">λ据/code>作为正规化的力量。据/p> 软件实现步骤2,直到它排出所有值据Code class="literal">λ据/code>.据/p> 如果您指定了一个据E.mClass="varname">P.据/em>-经过-据E.mClass="varname">L.据/em>矩阵,软件优化目标函数据E.mClass="varname">L.据/em>时代。在迭代据E.mClass="replaceable"> 如果你设置了据Code class="literal">“规划求解”、“双”据/code>,然后软件忽略了据Code class="literal">β据/code>.据/p>
数据类型:据/strong>X据/code>和据E.mClass="varname">L.据/em>是正常化 - 强度值的数量(有关更多详细信息,请参阅据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk">
λ据/code>).据/p>
j据/code>,该软件使用据Code class="literal">β(:,据E.mClass="replaceable">
j据/code>)据/code>作为初始值,并且在它排序后据Code class="literal">λ据/code>按升序,使用据Code class="literal">λ(据E.mClass="replaceable">
j据/code>)据/code>作为正规化的力量。据/p>
单据/code>|据Code itemprop="datatype">双倍的据/code>
'偏见'据/code>-据span itemprop="purpose">最初的拦截估计据/span>
数字标量据/span>|据span itemprop="inputvalue">数字矢量据/span>
初始拦截估计(据E.mClass="varname">B.据/em>),指定为逗号分隔的对,由据Code class="literal">'偏见'据/code>和一个数字标量或一个据E.mClass="varname">L.据/em>维数值向量。据E.mClass="varname">L.据/em>是正常化 - 强度值的数量(有关更多详细信息,请参阅据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk"> 如果指定一个标量,那么软件将优化目标函数据E.mClass="varname">L.据/em>使用此过程的时间。据/p>
该软件优化使用据Code class="literal">偏见据/code>的初始值和最小值据Code class="argument">λ据/code>作为正规化的力量。据/p> 使用得到的估计作为下一个优化迭代的温暖开始,并使用中下一个最小的值据Code class="literal">λ据/code>作为正规化的力量。据/p> 软件实现步骤2,直到它排出所有值据Code class="literal">λ据/code>.据/p> 如果指定据E.mClass="varname">L.据/em>- vimensional vector,然后软件优化目标函数据E.mClass="varname">L.据/em>时代。在迭代据E.mClass="replaceable"> 默认情况下:据/p>
如果据a href="#bu2viad_sep_shared-Learner" class="intrnllnk"> 如果据Code class="argument">学习者据/code>是据Code class="literal">'svm'据/code>,然后据Code class="literal">偏见据/code>是0。据/p> 数据类型:据/strong>λ据/code>).据/p>
j据/code>,该软件使用据Code class="literal">偏差(据E.mClass="replaceable">
j据/code>)据/code>作为初始值,并且在它排序后据Code class="literal">λ据/code>按升序,使用据Code class="literal">λ(据E.mClass="replaceable">
j据/code>)据/code>作为正规化的力量。据/p>
学习者据/code>是据Code class="literal">“物流”据/code>然后让我们据E.mClass="varname">G据sub>j据/sub>是1,如果据Code class="literal">y(据E.mClass="replaceable">
j据/code>)据/code>为正类,否则为-1。据Code class="literal">偏见据/code>加权平均值是多少据E.mClass="varname">G据/em>用于训练或用于交叉验证,折叠的观察。据/p>
单据/code>|据Code itemprop="datatype">双倍的据/code>
'fitbias'据/code>-据span itemprop="purpose">线性模型拦截包含标志据/span>
真正的据/code>
(默认)|据span itemprop="inputvalue">假据/code>
线性模型截距包含标志,指定为逗号分隔对组成据Code class="literal">'fitbias'据/code>和据Code class="literal">真正的据/code>或据Code class="literal">假据/code>.据/p>
价值据/th> | 描述据/th> |
---|---|
真正的据/code> |
该软件包括偏见术语据E.mClass="varname">B.据/em>在线性模型中,然后估计它。据/td> |
假据/code> |
软件集据E.mClass="varname">B.据/em>估算时= 0。据/td> |
例子:据/strong>'fitbias',false据/code>
数据类型:据/strong>逻辑据/code>
“PostFitBias”据/code>-据span itemprop="purpose">优化后,标志适合线性模型拦截据/span>
假据/code>
(默认)|据span itemprop="inputvalue">真正的据/code>
在优化后,以符合线性模型拦截的标志,指定为逗号分隔对据Code class="literal">“PostFitBias”据/code>和据Code class="literal">真正的据/code>或据Code class="literal">假据/code>.据/p>
价值据/th> | 描述据/th> |
---|---|
假据/code> |
该软件估计偏差项据E.mClass="varname">B.据/em>和系数据E.mClass="varname">β据/em>在优化期间。据/td> |
真正的据/code> |
估计据E.mClass="varname">B.据/em>,软件:据/p>
|
如果您指定据Code class="literal">真正的据/code>,然后据a href="#bu2viad_sep_shared-FitBias" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>Fitbias.据/code>必须是真实的。据/p>
'postfitbias',true据/code>
逻辑据/code>
'verbose'据/code>-据span itemprop="purpose">冗长水平据/span>
0.据/code>
(默认)|据span itemprop="inputvalue">非负整数据/span>
详细程度,指定为逗号分隔对,由据Code class="literal">'verbose'据/code>和一个非负整数。据Code class="literal">详细的据/code>控制诊断信息的数量据Code class="function">FitClinear.据/code>在命令行中显示。据/p>
价值据/th> | 描述据/th> |
---|---|
0.据/code> |
FitClinear.据/code>不显示诊断信息。据/td>
|
1据/code> |
FitClinear.据/code>定期显示并存储目标函数,梯度幅度和其他诊断信息的值。据Code class="literal">fitinfo.history.据/code>包含诊断信息。据/td>
|
任何正整数据/td> | FitClinear.据/code>在每次优化迭代时显示和存储诊断信息。据Code class="literal">fitinfo.history.据/code>包含诊断信息。据/td>
|
例子:据/strong>'verbose',1据/code>
数据类型:据/strong>双倍的据/code>|据Code itemprop="datatype">单据/code>
'批量化'据/code>-据span itemprop="purpose">Mini-batch大小据/span>
正整数据/span>
小批量大小,指定为逗号分隔的对,由据Code class="literal">'批量化'据/code>和一个正整数。在每次迭代时,软件估计子射程使用据Code class="literal">Batchsize.据/code>从培训数据的观察。据/p>
如果据a href="#bu2viad_sep_shared-X" class="intrnllnk">X据/code>是一个数字矩阵,那么默认值是据Code class="literal">10据/code>.据/p>
如果据Code class="argument">X据/code>是稀疏矩阵,那么默认值是据Code class="literal">MAX([10,CEIL(SQRT(FF))])据/code>, 在哪里据Code class="literal">ff = numel(x)/ nnz(x)据/code>(据E.mClass="firstterm">丰满的因素据/em>的据Code class="literal">X据/code>).据/p>
例子:据/strong>'Batchsize',100据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
'学习'据/code>-据span itemprop="purpose">学习速率据/span>
正标量据/span>
学习率,指定为逗号分隔对组成据Code class="literal">'学习'据/code>一个正标量。据Code class="literal">LearnRate据/code>通过缩放子梯度来控制优化步长。据/p>
如果据a href="#bu2viad_sep_shared-Regularization" class="intrnllnk">
λ据/em>的价值据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk"> 如果据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 如果据Code class="literal">解算器据/code>是据Code class="literal">“asgd”据/code>,然后据E.mClass="varname">C据/em>是0.75据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">[7]据/a>.据/p>正则化据/code>是据Code class="literal">'岭'据/code>,然后据Code class="literal">LearnRate据/code>指定初始学习率据E.mClass="varname">γ据/em>0.据/sub>.据Code class="function">FitClinear.据/code>确定迭代的学习率据E.mClass="varname">T.据/em>那据E.mClass="varname">γ据sub>T.据/sub>, 使用据/p>
λ据/code>.据/p>
解算器据/code>是据Code class="literal">“sgd”据/code>,然后据E.mClass="varname">C据/em>= 1。据/p>
如果据Code class="argument">正则化据/code>是据Code class="literal">“套索”据/code>然后,对于所有迭代,据Code class="literal">LearnRate据/code>是恒定的。据/p>
默认情况下,据Code class="literal">LearnRate据/code>是据Code class="literal">1 /√(1 +马克斯(sum (x ^ 2, obsDim))))据/code>, 在哪里据Code class="literal">僵局据/code>是据Code class="literal">1据/code>如果观察组成预测器数据的列据Code class="literal">X据/code>,据Code class="literal">2据/code>否则。据/p>
例子:据/strong>“LearnRate”,0.01据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
'OptimizeleArnrate'据/code>-据span itemprop="purpose">降低学习速度的标志据/span>
真正的据/code>
(默认)|据span itemprop="inputvalue">假据/code>
当软件检测到发散时(即逐步的最小值),指定为逗号分隔对时,标志据Code class="literal">'OptimizeleArnrate'据/code>和据Code class="literal">真正的据/code>或据Code class="literal">假据/code>.据/p>
如果据Code class="literal">OptimizeLearnRate据/code>是据Code class="literal">“真正的”据/code>, 然后:据/p>
对于少量的优化迭代,软件开始优化使用据a href="#bu2viad_sep_shared-LearnRate" class="intrnllnk">LearnRate据/code>作为学习率。据/p>
如果目标函数的值增加,则软件重新启动,并使用当前学习率值的一半。据/p>
软件迭代步骤2,直到目标函数减少。据/p>
例子:据/strong>'OptimizeLearnrate',真实据/code>
数据类型:据/strong>逻辑据/code>
'truncationPeriod'据/code>-据span itemprop="purpose">套索截断运行之间的小批量数量据/span>
10据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
在套索截断运行之间的小批数量,指定为逗号分隔对,由据Code class="literal">'truncationPeriod'据/code>和一个正整数。据/p>
经过截断运行后,软件对线性系数应用软阈值。即经过处理据E.mClass="varname">K.据/em>=据Code class="literal">TruncationPeriod据/code>迷你批次,软件截断估计系数据E.mClass="varname">j据/em>使用据/p>
对于SGD,据span class="inlineequation">
是估计系数吗据E.mClass="varname">j据/em>处理后据E.mClass="varname">K.据/em>mini-batches。据span class="inlineequation">
γ据sub>T.据/sub>是迭代的学习率据E.mClass="varname">T.据/em>.据E.mClass="varname">λ据/em>的价值据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk">λ据/code>.据/p>
ASGD,据span class="inlineequation"> 平均值是估计系数吗据E.mClass="varname">j据/em>处理后据E.mClass="varname">K.据/em>mini-batches,据span class="inlineequation">
如果据a href="#bu2viad_sep_shared-Regularization" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>正则化据/code>是据Code class="literal">'岭'据/code>,然后软件忽略了据Code class="literal">TruncationPeriod据/code>.据/p>
'truncationperiod',100据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“CategoricalPredictors”据/code>-据span itemprop="purpose">分类预测器列表据/span>
正整数向量据/span>|据span itemprop="inputvalue">逻辑矢量据/span>|据span itemprop="inputvalue">字符矩阵据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>|据span itemprop="inputvalue">“所有”据/code>
分类预测器列表,指定为逗号分隔的配对组成据Code class="literal">“CategoricalPredictors”据/code>和此表中的值之一。描述假设预测器数据在列中具有行和预测器中的观察。据/p>
价值据/th> | 描述据/th> |
---|---|
正整数矢量据/td> | 向量中的每个条目是与预测器数据列对应的索引值(据a href="#bu2viad_sep_shared-X" class="intrnllnk">X据/code>或据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> |
逻辑向量据/td> | 一种据Code class="literal">真正的据/code>条目意味着相应的预测函数数据(据Code class="argument">X据/code>或据Code class="argument">资源描述据/code>)是一个分类变量。据/td> |
字符矩阵据/td> | 矩阵的每一行都是一个预测变量的名称。名称必须与条目匹配据a href="#bu2viad_sep_shared-PredictorNames" class="intrnllnk">PredictorNames据/code>.用额外的空格填充名字,这样字符矩阵的每一行都有相同的长度。据/td>
|
字符向量的字符串数组或单元格数组据/td> | 数组中的每个元素是预测器变量的名称。名称必须与条目匹配据Code class="argument">PredictorNames据/code>.据/td> |
“所有”据/code> |
所有的预测都是绝对的。据/td> |
默认情况下,如果预测器数据在表中(据Code class="argument">资源描述据/code>),据Code class="function">FitClinear.据/code>如果一个变量是逻辑向量、分类向量、字符数组、字符串数组或字符向量的单元格数组,则假设它是类别变量。如果预测数据是一个矩阵(据Code class="argument">X据/code>),据Code class="function">FitClinear.据/code>假设所有预测器都是连续的。要将任何其他预测器标识为分类预测器,请使用据Code class="literal">“CategoricalPredictors”据/code>名称-值对的论点。据/p>
对于确定的分类预测因子,据Code class="function">FitClinear.据/code>根据分类变量是无序的还是有序的,使用两种不同的方案创建虚拟变量。对于无序分类变量,据Code class="function">FitClinear.据/code>为分类变量的每一级创建一个虚拟变量。对于有序分类变量,据Code class="function">FitClinear.据/code>创建比类别数量更少的虚拟变量。有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/dummy-indicator-variables.html" class="a">虚拟变量的自动创建据/a>.据/p>
例子:据/strong>“CategoricalPredictors”、“所有”据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>|据Code itemprop="datatype">逻辑据/code>|据Code itemprop="datatype">char据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">细胞据/code>
“类名”据/code>-据span itemprop="purpose">用于培训的课程名称据/span>
分类数组据/span>|据span itemprop="inputvalue">字符阵列据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">逻辑矢量据/span>|据span itemprop="inputvalue">数字矢量据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
用于培训的课程名称,指定为逗号分隔的配对组成据Code class="literal">“类名”据/code>和一个分类,字符或字符串阵列,逻辑或数字矢量,或字符向量的单元格数组。据Code class="literal">Classnames.据/code>必须具有相同的数据类型据a href="#bu2viad_sep_shared-Y" class="intrnllnk"> 如果据Code class="literal">Classnames.据/code>是一个字符数组,那么每个元素都必须对应于数组的一行。据/p>
使用据Code class="literal">“类名”据/code>到:据/p>
在培训期间安排课程。据/p> 指定与类顺序对应的任何输入或输出参数尺寸的顺序。例如,使用据Code class="literal">“类名”据/code>指定尺寸的顺序据a href="#bu2viad_sep_shared-Cost" class="intrnllnk"> 选择用于培训的类的子集。例如,假设集合中所有不同的类名据Code class="argument">y据/code>是据Code class="literal">{' a ', ' b ', ' c '}据/code>.使用课程的观测训练模型据Code class="literal">“一个”据/code>和据Code class="literal">“c”据/code>只是,指定据Code class="literal">'classnames',{'a','c'}据/code>.据/p> 默认值据Code class="literal">Classnames.据/code>是所有不同类名的集合据Code class="argument">y据/code>.据/p>
例子:据/strong> 数据类型:据/strong>y据/code>.据/p>
成本据/code>或返回的分类分数的列顺序据Code class="literal">预测据/code>.据/p>
'classnames',{'b','g'}据/code>
分类据/code>|据Code itemprop="datatype">char据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">逻辑据/code>|据Code itemprop="datatype">单据/code>|据Code itemprop="datatype">双倍的据/code>|据Code itemprop="datatype">细胞据/code>
'成本'据/code>-据span itemprop="purpose">错误分类成本据/span>
方阵据/span>|据span itemprop="inputvalue">结构数组据/span>
错误分类成本,指定为逗号分隔的配对组成据Code class="literal">'成本'据/code>和平方矩阵或结构。据/p>
如果您指定了方形矩阵据Code class="literal">成本据/code>(据Code class="literal">'成本',成本据/code>), 然后据Code class="literal">成本(i, j)据/code>是将一个点分类为课程的成本据Code class="literal">j据/code>如果它的真实课程是据Code class="literal">一世据/code>.也就是说,行对应于真实类,列对应于预测类。指定相应行和列的类顺序据Code class="literal">成本据/code>,可以使用据a href="#bu2viad_sep_shared-ClassNames" class="intrnllnk">Classnames.据/code>名称-值对的论点。据/p>
如果指定结构据Code class="literal">S.据/code>(据Code class="literal">“成本”据/code>),那么它必须有两个字段:据/p>
S.ClassNames据/code>,其中包含类名作为与相同数据类型的变量据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>
S.Classificycosts.据/code>,其中包含具有排序的行和列的成本矩阵据Code class="literal">S.ClassNames据/code>
默认值据Code class="literal">成本据/code>是据Code class="literal">那些(据E.mClass="replaceable"> 例子:据/strong> 数据类型:据/strong>K.据/code>) - 眼睛(据E.mClass="replaceable">
K.据/code>)据/code>, 在哪里据E.mClass="replaceable">
K.据/code>是不同类的数量。据/p>
FitClinear.据/code>用途据Code class="literal">成本据/code>调整指定的先前类概率据a href="#bu2viad_sep_shared-Prior" class="intrnllnk">
之前据/code>.然后,据Code class="function">FitClinear.据/code>使用调整后的先验概率进行训练,并将代价矩阵重置为默认值。据/p>
'成本',[0 2;1 0]据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>|据Code itemprop="datatype">塑造据/code>
“PredictorNames”据/code>-据span itemprop="purpose">预测器变量名称据/span>
字符串唯一名称数组据/span>|据span itemprop="inputvalue">唯一字符向量的单元格数组据/span>
预测值变量名称,指定为逗号分隔的配对据Code class="literal">“PredictorNames”据/code>以及唯一字符向量的唯一名称或单元格数组的字符串数组。功能的功能据Code class="literal">“PredictorNames”据/code>取决于您提供培训数据的方式。据/p>
如果你提供据a href="#bu2viad_sep_shared-X" class="intrnllnk"> 名称的顺序据Code class="literal">PredictorNames据/code>必须与预测器的顺序一致吗据Code class="literal">X据/code>.假设据Code class="literal">X据/code>具有默认方向,行为观察,列为预测,据Code class="literal">PredictorNames {1}据/code>是名称据Code class="literal">X (: 1)据/code>那据Code class="literal">PredictorNames {2}据/code>是名称据Code class="literal">X (:, 2)据/code>, 等等。还,据Code class="literal">尺寸(x,2)据/code>和据Code class="literal">元素个数(PredictorNames)据/code>必须是相等的。据/p> 默认情况下,据Code class="literal">PredictorNames据/code>是据Code class="literal">{'x1','x2',...}据/code>.据/p>X据/code>和据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>,则可以使用据Code class="literal">“PredictorNames”据/code>为中的预测变量指定名称据Code class="literal">X据/code>.据/p>
如果你提供据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 默认情况下,据Code class="literal">PredictorNames据/code>包含所有预测变量的名称。据/p> 一个良好的做法是指定使用的预测器使用据Code class="literal">“PredictorNames”据/code>或据a href="#bu2viad_sep_shared-formula" class="intrnllnk">资源描述据/code>,则可以使用据Code class="literal">“PredictorNames”据/code>选择在训练中使用的预测变量。也就是说,据Code class="function">FitClinear.据/code>仅使用预测器变量据Code class="literal">PredictorNames据/code>以及训练过程中的反应变量。据/p>
PredictorNames据/code>一定是?的子集据Code class="literal">Tbl.Properties.VariableNames据/code>且不能包含响应变量的名称。据/p>
公式据/code>,但不是两者。据/p>
例子:据/strong>'predictornames',{sepallength','sepalwidth','petallength','petalwidth'}据/code>
数据类型:据/strong>细绳据/code>|据Code itemprop="datatype">细胞据/code>
“之前”据/code>-据span itemprop="purpose">先前概率据/span>
'经验'据/code>
(默认)|据span itemprop="inputvalue">'制服'据/code>
|据span itemprop="inputvalue">数字矢量据/span>|据span itemprop="inputvalue">结构数组据/span>
每个类的先前概率,指定为逗号分隔的配对组成据Code class="literal">“之前”据/code>和据Code class="literal">'经验'据/code>那据Code class="literal">'制服'据/code>、数字向量或结构数组。据/p>
该表总结了设置先验概率的可用选项。据/p>
价值据/th> | 描述据/th> |
---|---|
'经验'据/code> |
课程的现有概率是类相对频率据a href="#bu2viad_sep_shared-Y" class="intrnllnk">y据/code>.据/td>
|
'制服'据/code> |
所有类先验概率都等于1/据E.mClass="replaceable">K.据/code>, 在哪里据E.mClass="replaceable"> |
数字矢量据/td> | 每个元素都是一个类先验概率。根据元素的顺序排序据Code class="argument">y据/code>.如果您使用该订单指定订单据Code class="argument">“类名”据/code>名称-值对参数,然后对元素进行相应的排序。据/td> |
结构数组据/td> | 结构据Code class="literal">S.据/code>两个字段:据/p>
|
例子:据/strong> 数据类型:据/strong>FitClinear.据/code>中的先验概率归一化据Code class="literal">之前据/code>总结为1。据/p>
“之前”,结构(“类名”,{{“setosa”、“癣”}},ClassProbs, 1:2)据/code>
char据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">双倍的据/code>|据Code itemprop="datatype">单据/code>|据Code itemprop="datatype">塑造据/code>
'responsebame'据/code>-据span itemprop="purpose">响应变量名据/span>
“Y”据/code>
(默认)|据span itemprop="inputvalue">字符向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
响应变量名称,指定为逗号分隔的配对组成据Code class="literal">'responsebame'据/code>以及字符向量或字符串标量。据/p>
如果你提供据a href="#bu2viad_sep_shared-Y" class="intrnllnk">y据/code>,则可以使用据Code class="literal">'responsebame'据/code>为响应变量指定名称。据/p>
如果你提供据a href="#bu2viad_sep_shared-ResponseVarName" class="intrnllnk">ResponseVarName据/code>或据a href="#bu2viad_sep_shared-formula" class="intrnllnk">
公式据/code>,则不能使用据Code class="literal">'responsebame'据/code>.据/p>
例子:据/strong>'responsebame','响应'据/code>
数据类型:据/strong>char据/code>|据Code itemprop="datatype">细绳据/code>
“ScoreTransform”据/code>-据span itemprop="purpose">分数转换据/span>
'没有任何'据/code>
(默认)|据span itemprop="inputvalue">'doublelogit'据/code>
|据span itemprop="inputvalue">'invlogit'据/code>
|据span itemprop="inputvalue">“ismax”据/code>|据span itemprop="inputvalue">分对数的据/code>|据span itemprop="inputvalue">函数处理据/span>|……据/span>
分数转换,指定为逗号分隔的对,由据Code class="literal">“ScoreTransform”据/code>以及字符向量、字符串标量或函数句柄。据/p>
此表总结了可用的字符向量和字符串标量。据/p>
价值据/th> | 描述据/th> |
---|---|
'doublelogit'据/code> |
1 / (1 +据E.mClass="varname">E.据/em>-2据E.mClass="varname">X据/em>)据/td> |
'invlogit'据/code> |
日志(据E.mClass="varname">X据/em>/(1 -据E.mClass="varname">X据/em>))据/td> |
“ismax”据/code> |
将具有最大分数的类设置为1的分数,并将所有其他类的分数设置为0据/td> |
分对数的据/code> |
1 / (1 +据E.mClass="varname">E.据/em>-据E.mClass="varname">X据/em>)据/td> |
'没有任何'据/code>或据Code class="literal">“身份”据/code> |
X据/em>(转换)据/td> |
'标志'据/code> |
-1 for.据E.mClass="varname">X据/em>< 0据B.r>0据E.mClass="varname">X据/em>= 0据B.r>1据E.mClass="varname">X据/em>> 0据/td> |
'对称'据/code> |
2据E.mClass="varname">X据/em>- 1据/td> |
'ymmetricismax'据/code> |
将具有最大分数为1的类设置分数,并将所有其他类的分数设置为-1据/td> |
“symmetriclogit”据/code> |
2 / (1 +据E.mClass="varname">E.据/em>-据E.mClass="varname">X据/em>) - 1据/td> |
对于MATLAB函数或您定义的函数,使用其功能句柄进行分数转换。函数句柄必须接受矩阵(原始分数)并返回相同大小的矩阵(转换的分数)。据/p>
例子:据/strong>“ScoreTransform”、“分对数的据/code>
数据类型:据/strong>char据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">function_handle据/code>
“重量”据/code>-据span itemprop="purpose">观察权重据/span>
正数值矢量据/span>|据span itemprop="inputvalue">变量名称据Code class="literal">资源描述据/code>
观察权重,指定为逗号分隔的配对组成据Code class="literal">“重量”据/code>和正数矢量或变量的名称据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 如果您将输入数据指定为表据Code class="argument">资源描述据/code>,然后据Code class="argument">权重据/code>可以是变量的名称据Code class="argument">资源描述据/code>包含数字矢量。在这种情况下,您必须指定据Code class="argument">权重据/code>作为字符向量或字符串标量。例如,如果权重向量据Code class="literal">W.据/code>存储为据Code class="literal">TBL.W.据/code>,然后将其指定为据Code class="literal">' W '据/code>.否则,软件将对所有列进行处理据Code class="argument">资源描述据/code>, 包含据Code class="literal">W.据/code>在培训模型时,作为预测器或响应变量。据/p>
默认情况下,据Code class="argument">权重据/code>是据Code class="literal">那些(n,1)据/code>, 在哪里据Code class="literal">N据/code>观察的次数在吗据Code class="argument">X据/code>或据Code class="argument">资源描述据/code>.据/p>
软件规范化据Code class="argument">权重据/code>求和为各类的先验概率值。据/p>
数据类型:据/strong>资源描述据/code>.该软件对每个观测值进行加权据a href="#bu2viad_sep_shared-X" class="intrnllnk">
X据/code>或据Code class="argument">资源描述据/code>对应的值在据Code class="argument">权重据/code>.长度据Code class="argument">权重据/code>必须等于观察人数据Code class="argument">X据/code>或据Code class="argument">资源描述据/code>.据/p>
单据/code>|据Code itemprop="datatype">双倍的据/code>|据Code itemprop="datatype">char据/code>|据Code itemprop="datatype">细绳据/code>
“CrossVal”据/code>-据span itemprop="purpose">交叉验证标志据/span>
'离开'据/code>
(默认)|据span itemprop="inputvalue">“上”据/code>
交叉验证标志,指定为逗号分隔对,由据Code class="literal">'横向'据/code>和据Code class="literal">“上”据/code>或据Code class="literal">'离开'据/code>.据/p>
如果您指定据Code class="literal">“上”据/code>然后,软件实现10倍交叉验证。据/p>
要覆盖此交叉验证设置,请使用以下名称-值对参数之一:据a href="#bu2viad_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong>CVPartition据/code>那据a href="#bu2viad_sep_shared-Holdout" class="intrnllnk">
坚持据/code>,或据a href="#bu2viad_sep_shared-KFold" class="intrnllnk">
kfold.据/code>.要创建交叉验证模型,一次只能使用一个交叉验证名称-值对参数。据/p>
'横向','开'据/code>
“CVPartition”据/code>-据span itemprop="purpose">交叉验证分区据/span>
[]据/code>
(默认)|据span itemprop="inputvalue">cvpartition据/code>分区对象据/span>
交叉验证分区,指定为逗号分隔的对,由据Code class="literal">“CVPartition”据/code>A.据Code class="literal">cvpartition据/code>由此创建的分区对象据a href="//www.tatmou.com/help/stats/cvpartition.html"> 要创建交叉验证的模型,您只能使用这四个选项之一:据Code class="literal">'据/code>cvpartition据/code>.分区对象指定交叉验证的类型,以及训练和验证集的索引。据/p>
CVPartition据/code>
'据/code>那据Code class="literal">'据/code>
坚持据/code>
'据/code>,或据Code class="literal">'据/code>
kfold.据/code>
'据/code>.据/p>
“坚持”据/code>-据span itemprop="purpose">用于抵抗验证的数据部分据/span>
(0,1)范围内的标量值据/span>
用于阻止验证的数据的分数指定为逗号分隔的对组成据Code class="literal">“坚持”据/code>和范围内的标量值(0,1)。如果您指定据Code class="literal">'坚持',据E.mClass="replaceable">P.据/code>
,则软件:据/p>
随机储备据Code class="literal">P.据/code>
* 100据/code>%的数据作为验证数据,并使用其余的数据训练模型据/p>
存储紧凑型培训的模型据Code class="literal">训练有素据/code>交叉验证模型的财产。据/p>
要创建交叉验证的模型,您只能使用这四个选项之一:据Code class="literal">'据/code> 例子:据/strong> 数据类型:据/strong>CVPartition据/code>
'据/code>那据Code class="literal">'据/code>
坚持据/code>
'据/code>,或据Code class="literal">'据/code>
kfold.据/code>
'据/code>.据/p>
“坚持”,0.1据/code>
双倍的据/code>|据Code itemprop="datatype">单据/code>
'kfold'据/code>-据span itemprop="purpose">折叠数量据/span>
10据/code>
(默认)|据span itemprop="inputvalue">大于1的正整数据/span>
在交叉验证的分类器中使用的折叠数指定为包括的逗号分隔对据Code class="literal">'kfold'据/code>和一个大于1的正整数。如果你指定,例如:据Code class="literal">'kfold',据E.mClass="varname">K.据/em>,则软件:据/p>
将数据随机划分为据E.mClass="varname">K.据/em>套据/p>
对于每个设置,保留设置为验证数据,并使用另一个培训模型据span class="inlineequation">K.据/em>- 1据/span>套据/p>
存储据E.mClass="replaceable">K.据/code>紧凑,训练有素的模型在一个细胞中据E.mClass="replaceable">
K.据/code>- 1个细胞矢量据Code class="literal">训练有素据/code>交叉验证模型的财产。据/p>
要创建交叉验证的模型,您只能使用这四个选项之一:据Code class="literal">'据/code> 例子:据/strong> 数据类型:据/strong>CVPartition据/code>
'据/code>那据Code class="literal">'据/code>
坚持据/code>
'据/code>,或据Code class="literal">'据/code>
kfold.据/code>
'据/code>.据/p>
“KFold”,8据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
'batchlimit'据/code>-据span itemprop="purpose">最大批数据/span>
正整数据/span>
要处理的最大批数,指定为由逗号分隔的对组成据Code class="literal">'batchlimit'据/code>和一个正整数。当软件进程据Code class="argument">Batchlimit.据/code>批次,它终止优化。据/p>
默认情况下:据/p>
软件通过数据据a href="#bu2viad-PassLimit" class="intrnllnk">PassLimit据/code>时代。据/p>
如果指定多个求解器,并且使用(a)sgd以获得下一个求解器的初始近似,则默认值是据Code class="literal">CEIL(1E6 / BATCHSIZE)据/code>.据Code class="literal">Batchsize.据/code>是值的价值据Code class="literal">'据/code>Batchsize.据/code>
'据/code>名称-值对的论点。据/p>
如果您指定据Code class="literal">'batchlimit'据/code>和据Code class="literal">'据/code>PassLimit据/code>
'据/code>,然后软件选择能处理最少观察结果的论点。据/p>
如果您指定据Code class="literal">'batchlimit'据/code>但不是据Code class="literal">'passlimit'据/code>,然后软件处理足够多的批次,以完成数据的一次完整传递。据/p>
例子:据/strong>'batchlimit',100据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
'betatolerance'据/code>-据span itemprop="purpose">线性系数和偏差项的相对公差据/span>
1E-4据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据Code class="literal">'betatolerance'据/code>和一个非负标量。据/p>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
e-6 BetaTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“NumCheckConvergence”据/code>-据span itemprop="purpose">在下次收敛检查前要加工的批数据/span>
正整数据/span>
在下一个收敛检查之前处理的批次数量,指定为包括的逗号分隔对据Code class="literal">“NumCheckConvergence”据/code>和一个正整数。据/p>
要指定批大小,请参见据a href="#bu2viad_sep_shared-BatchSize" class="intrnllnk"> 软件检查每次通过整个数据设置约10次的收敛。据/p>
例子:据/strong> 数据类型:据/strong>Batchsize.据/code>.据/p>
'numcheckconvergence',100据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
'passlimit'据/code>-据span itemprop="purpose">最大的通过据/span>
1据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
通过数据的最大次数,由逗号分隔的对组成据Code class="literal">'passlimit'据/code>和一个正整数。据/p>
当据Code class="function">FitClinear.据/code>通过数据据Code class="argument">PassLimit据/code>乘以,它终止了优化。据/p>
如果您指定据Code class="literal">'据/code> 例子:据/strong> 数据类型:据/strong>FitClinear.据/code>在完成一个通过数据时处理所有观察。据/p>
Batchlimit.据/code>
'据/code>和据Code class="literal">'passlimit'据/code>,然后据Code class="function">FitClinear.据/code>选择导致处理最少观察的论点。据/p>
“PassLimit”,5据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“ValidationData”据/code>-据span itemprop="purpose">优化收敛检测的验证数据据/span>
单元阵列据/span>|据span itemprop="inputvalue">表格据/span>
优化收敛检测的验证数据,指定为逗号分隔对组成据Code class="literal">“ValidationData”据/code>和一个单元格阵列或表格。据/p>
在优化过程中,软件定期估计损失据Code class="argument">验证数据据/code>.如果验证数据丢失增加,则软件终止优化。有关更多详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">算法据/a>.使用交叉验证优化HyperParameters,请参阅跨验证选项,例如据a href="#bu2viad_sep_shared-CrossVal" class="intrnllnk"> 您可以指定据Code class="argument">验证数据据/code>如果你用表格的话据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 如果您指定据Code class="argument">验证数据据/code>作为单元格数组,那么它必须具有以下格式:据/p>
可选地,您可以指定据Code class="literal">ValidationData {3}据/code>作为A.据E.mClass="varname">m据/em>-观测权值的维数值向量或表中变量的名称据Code class="literal">ValidationData {1}据/code>它包含观测权值。软件将验证数据的权重归一化,使其和为1。据/p> 如果您指定据Code class="literal">验证数据据/code>并且希望在命令行显示验证丢失,请指定大于0的值据a href="#bu2viad_sep_shared-Verbose" class="intrnllnk"> 如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 默认情况下,该软件不会通过监视验证数据丢失来检测收敛。据/p>
横梁据/code>.据/p>
资源描述据/code>包含响应变量的预测数据。在这种情况下,据Code class="argument">验证数据据/code>必须包含相同的预测器和响应据Code class="argument">资源描述据/code>.即使是,该软件也不会将权重应用于观察,即使据Code class="argument">资源描述据/code>包含重量的矢量。要指定权重,您必须指定据Code class="argument">验证数据据/code>作为单元格数组。据/p>
ValidationData {1}据/code>必须具有与预测器数据相同的数据类型和方向。也就是说,如果使用预测矩阵据a href="#bu2viad_sep_shared-X" class="intrnllnk">
X据/code>,然后据Code class="literal">ValidationData {1}据/code>必须是一个据E.mClass="varname">m据/em>-经过-据E.mClass="varname">P.据/em>或据E.mClass="varname">P.据/em>-经过-据E.mClass="varname">m据/em>具有相同方向的预测数据的全矩阵或稀疏矩阵据Code class="argument">X据/code>.培训数据中的预测变量据Code class="literal">X据/code>和据Code class="literal">ValidationData {1}据/code>必须对应。类似地,如果你使用一个预测表据Code class="argument">资源描述据/code>预测数据据Code class="literal">ValidationData {1}据/code>必须是包含包含相同预测变量的表据Code class="argument">资源描述据/code>.观察次数据Code class="literal">ValidationData {1}据/code>预测数据可能会变化。据/p>
ValidationData {2}据/code>必须匹配响应变量的数据类型和格式据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>或据a href="#bu2viad_sep_shared-ResponseVarName" class="intrnllnk">
ResponseVarName据/code>.如果据Code class="literal">ValidationData {2}据/code>是一系列类标签,那么它必须具有与观察次数相同的元素据Code class="literal">ValidationData {1}据/code>.所有不同标签的集合据Code class="literal">ValidationData {2}据/code>的所有不同标签的子集据Code class="literal">y据/code>.如果据Code class="literal">ValidationData {1}据/code>那么,是一张桌子吗据Code class="literal">ValidationData {2}据/code>可以是表中响应变量的名称。如果你想使用它据Code class="argument">ResponseVarName据/code>或据a href="#bu2viad_sep_shared-formula" class="intrnllnk">
公式据/code>,你可以指定据Code class="literal">ValidationData {2}据/code>作为据Code class="literal">[]据/code>.据/p>
详细的据/code>.据/p>
解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
'betatolerance'据/code>-据span itemprop="purpose">线性系数和偏差项的相对公差据/span>
1E-4据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据Code class="literal">'betatolerance'据/code>和一个非负标量。据/p>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果您还指定了据a href="#bu2viad_sep_shared-DeltaGradientTolerance" class="intrnllnk"> 如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>DeltaGradientTolerance据/code>然后,当软件满足停止标准时,优化终止。据/p>
解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
e-6 BetaTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“DeltaGradientTolerance”据/code>-据span itemprop="purpose">梯度差分耐受性据/span>
1据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
上部和下部池之间的梯度差分容差据a href="//www.tatmou.com/help/stats/fitcsvm.html" class="a">Karush-Kuhn-Tucker(KKT)互补条件据/a>违规者,指定为逗号分隔对组成据Code class="literal">“DeltaGradientTolerance”据/code>和一个非负标量。据/p>
如果KKT违反者的大小小于据Code class="literal">DeltaGradientTolerance据/code>,然后软件终止优化。据/p>
如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk">解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
例子:据/strong>'deltagaptolerance',1e-2据/code>
数据类型:据/strong>双倍的据/code>|据Code itemprop="datatype">单据/code>
“NumCheckConvergence”据/code>-据span itemprop="purpose">通过整个数据集的传递数量在下一次收敛检查之前进行处理据/span>
5.据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
通过整个数据集的传递数量在下一次收敛检查之前进行处理,指定为包括的逗号分隔对据Code class="literal">“NumCheckConvergence”据/code>和一个正整数。据/p>
例子:据/strong>'numcheckconvergence',100据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
'passlimit'据/code>-据span itemprop="purpose">最大的通过据/span>
10据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
通过数据的最大次数,由逗号分隔的对组成据Code class="literal">'passlimit'据/code>和一个正整数。据/p>
当软件完成一个通过数据时,它处理了所有观察。据/p>
当软件通过数据时据Code class="argument">PassLimit据/code>乘以,它终止了优化。据/p>
例子:据/strong>“PassLimit”,5据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
“ValidationData”据/code>-据span itemprop="purpose">优化收敛检测的验证数据据/span>
单元阵列据/span>|据span itemprop="inputvalue">表格据/span>
优化收敛检测的验证数据,指定为逗号分隔对组成据Code class="literal">“ValidationData”据/code>和一个单元格阵列或表格。据/p>
在优化过程中,软件定期估计损失据Code class="argument">验证数据据/code>.如果验证数据丢失增加,则软件终止优化。有关更多详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">算法据/a>.使用交叉验证优化HyperParameters,请参阅跨验证选项,例如据a href="#bu2viad_sep_shared-CrossVal" class="intrnllnk"> 您可以指定据Code class="argument">验证数据据/code>如果你用表格的话据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 如果您指定据Code class="argument">验证数据据/code>作为单元格数组,那么它必须具有以下格式:据/p>
可选地,您可以指定据Code class="literal">ValidationData {3}据/code>作为A.据E.mClass="varname">m据/em>-观测权值的维数值向量或表中变量的名称据Code class="literal">ValidationData {1}据/code>它包含观测权值。软件将验证数据的权重归一化,使其和为1。据/p> 如果您指定据Code class="literal">验证数据据/code>并且希望在命令行显示验证丢失,请指定大于0的值据a href="#bu2viad_sep_shared-Verbose" class="intrnllnk"> 如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 默认情况下,该软件不会通过监视验证数据丢失来检测收敛。据/p>
横梁据/code>.据/p>
资源描述据/code>包含响应变量的预测数据。在这种情况下,据Code class="argument">验证数据据/code>必须包含相同的预测器和响应据Code class="argument">资源描述据/code>.即使是,该软件也不会将权重应用于观察,即使据Code class="argument">资源描述据/code>包含重量的矢量。要指定权重,您必须指定据Code class="argument">验证数据据/code>作为单元格数组。据/p>
ValidationData {1}据/code>必须具有与预测器数据相同的数据类型和方向。也就是说,如果使用预测矩阵据a href="#bu2viad_sep_shared-X" class="intrnllnk">
X据/code>,然后据Code class="literal">ValidationData {1}据/code>必须是一个据E.mClass="varname">m据/em>-经过-据E.mClass="varname">P.据/em>或据E.mClass="varname">P.据/em>-经过-据E.mClass="varname">m据/em>具有相同方向的预测数据的全矩阵或稀疏矩阵据Code class="argument">X据/code>.培训数据中的预测变量据Code class="literal">X据/code>和据Code class="literal">ValidationData {1}据/code>必须对应。类似地,如果你使用一个预测表据Code class="argument">资源描述据/code>预测数据据Code class="literal">ValidationData {1}据/code>必须是包含包含相同预测变量的表据Code class="argument">资源描述据/code>.观察次数据Code class="literal">ValidationData {1}据/code>预测数据可能会变化。据/p>
ValidationData {2}据/code>必须匹配响应变量的数据类型和格式据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>或据a href="#bu2viad_sep_shared-ResponseVarName" class="intrnllnk">
ResponseVarName据/code>.如果据Code class="literal">ValidationData {2}据/code>是一系列类标签,那么它必须具有与观察次数相同的元素据Code class="literal">ValidationData {1}据/code>.所有不同标签的集合据Code class="literal">ValidationData {2}据/code>的所有不同标签的子集据Code class="literal">y据/code>.如果据Code class="literal">ValidationData {1}据/code>那么,是一张桌子吗据Code class="literal">ValidationData {2}据/code>可以是表中响应变量的名称。如果你想使用它据Code class="argument">ResponseVarName据/code>或据a href="#bu2viad_sep_shared-formula" class="intrnllnk">
公式据/code>,你可以指定据Code class="literal">ValidationData {2}据/code>作为据Code class="literal">[]据/code>.据/p>
详细的据/code>.据/p>
解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
'betatolerance'据/code>-据span itemprop="purpose">线性系数和偏差项的相对公差据/span>
1E-4据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据Code class="literal">'betatolerance'据/code>和一个非负标量。据/p>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果您还指定了据a href="#bu2viad_sep_shared-GradientTolerance" class="intrnllnk"> 如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>GradientTolerance据/code>然后,当软件满足停止标准时,优化终止。据/p>
解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
e-6 BetaTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“GradientTolerance”据/code>-据span itemprop="purpose">绝对梯度宽容据/span>
1E-6据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
绝对梯度容差,指定为逗号分隔对,由据Code class="literal">“GradientTolerance”据/code>和一个非负标量。据/p>
让据span class="inlineequation"> 为优化迭代时目标函数相对于系数和偏差项的梯度向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果您还指定了据a href="#bu2viad_sep_shared-sgdBetaTolerance" class="intrnllnk"> 如果软件会聚在软件中指定的最后一个解算器,则优化终止。否则,软件将使用中指定的下一个求解器据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>BetaTolerance据/code>然后,当软件满足停止标准时,优化终止。据/p>
解算器据/code>.据/p>
e-5 GradientTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“HessianHistorySize”据/code>-据span itemprop="purpose">Hessian近似的历史缓冲区的大小据/span>
15据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
Hessian近似的历史缓冲区的大小,指定为逗号分隔对组成据Code class="literal">“HessianHistorySize”据/code>和一个正整数。也就是说,在每次迭代时,软件使用最新的统计数据组成Hessian据Code class="literal">Hessianhistorysize据/code>迭代。据/p>
软件不支持金宝app据Code class="literal">“HessianHistorySize”据/code>SpaRSA。据/p>
例子:据/strong>'Hessianhistorysize',10据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双倍的据/code>
“IterationLimit”据/code>-据span itemprop="purpose">最大优化迭代次数据/span>
1000据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
最大数量的优化迭代,指定为逗号分隔对据Code class="literal">“IterationLimit”据/code>和一个正整数。据Code class="literal">IterationLimit据/code>适用于这些值据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>解算器据/code>:据Code class="literal">“蓄热”据/code>那据Code class="literal">'lbfgs'据/code>,据Code class="literal">“sparsa”据/code>.据/p>
“IterationLimit”,500年据/code>
单据/code>|据Code itemprop="datatype">双倍的据/code>
“ValidationData”据/code>-据span itemprop="purpose">优化收敛检测的验证数据据/span>
单元阵列据/span>|据span itemprop="inputvalue">表格据/span>
优化收敛检测的验证数据,指定为逗号分隔对组成据Code class="literal">“ValidationData”据/code>和一个单元格阵列或表格。据/p>
在优化过程中,软件定期估计损失据Code class="argument">验证数据据/code>.如果验证数据丢失增加,则软件终止优化。有关更多详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">算法据/a>.使用交叉验证优化HyperParameters,请参阅跨验证选项,例如据a href="#bu2viad_sep_shared-CrossVal" class="intrnllnk"> 您可以指定据Code class="argument">验证数据据/code>如果你用表格的话据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk"> 如果您指定据Code class="argument">验证数据据/code>作为单元格数组,那么它必须具有以下格式:据/p>
可选地,您可以指定据Code class="literal">ValidationData {3}据/code>作为A.据E.mClass="varname">m据/em>-观测权值的维数值向量或表中变量的名称据Code class="literal">ValidationData {1}据/code>它包含观测权值。软件将验证数据的权重归一化,使其和为1。据/p> 如果您指定据Code class="literal">验证数据据/code>并且希望在命令行显示验证丢失,请指定大于0的值据a href="#bu2viad_sep_shared-Verbose" class="intrnllnk"> 如果软件会收敛于指定的最后一个解算程序据a href="#bu2viad_sep_shared-Solver" class="intrnllnk"> 默认情况下,该软件不会通过监视验证数据丢失来检测收敛。据/p>
横梁据/code>.据/p>
资源描述据/code>包含响应变量的预测数据。在这种情况下,据Code class="argument">验证数据据/code>必须包含相同的预测器和响应据Code class="argument">资源描述据/code>.即使是,该软件也不会将权重应用于观察,即使据Code class="argument">资源描述据/code>包含重量的矢量。要指定权重,您必须指定据Code class="argument">验证数据据/code>作为单元格数组。据/p>
ValidationData {1}据/code>必须具有与预测器数据相同的数据类型和方向。也就是说,如果使用预测矩阵据a href="#bu2viad_sep_shared-X" class="intrnllnk">
X据/code>,然后据Code class="literal">ValidationData {1}据/code>必须是一个据E.mClass="varname">m据/em>-经过-据E.mClass="varname">P.据/em>或据E.mClass="varname">P.据/em>-经过-据E.mClass="varname">m据/em>具有相同方向的预测数据的全矩阵或稀疏矩阵据Code class="argument">X据/code>.培训数据中的预测变量据Code class="literal">X据/code>和据Code class="literal">ValidationData {1}据/code>必须对应。类似地,如果你使用一个预测表据Code class="argument">资源描述据/code>预测数据据Code class="literal">ValidationData {1}据/code>必须是包含包含相同预测变量的表据Code class="argument">资源描述据/code>.观察次数据Code class="literal">ValidationData {1}据/code>预测数据可能会变化。据/p>
ValidationData {2}据/code>必须匹配响应变量的数据类型和格式据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>或据a href="#bu2viad_sep_shared-ResponseVarName" class="intrnllnk">
ResponseVarName据/code>.如果据Code class="literal">ValidationData {2}据/code>是一系列类标签,那么它必须具有与观察次数相同的元素据Code class="literal">ValidationData {1}据/code>.所有不同标签的集合据Code class="literal">ValidationData {2}据/code>的所有不同标签的子集据Code class="literal">y据/code>.如果据Code class="literal">ValidationData {1}据/code>那么,是一张桌子吗据Code class="literal">ValidationData {2}据/code>可以是表中响应变量的名称。如果你想使用它据Code class="argument">ResponseVarName据/code>或据a href="#bu2viad_sep_shared-formula" class="intrnllnk">
公式据/code>,你可以指定据Code class="literal">ValidationData {2}据/code>作为据Code class="literal">[]据/code>.据/p>
详细的据/code>.据/p>
解算器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">解算器据/code>.据/p>
“OptimizeHyperparameters”据/code>-据span itemprop="purpose">优化的参数据/span>
'没有任何'据/code>
(默认)|据span itemprop="inputvalue">'汽车'据/code>
|据span itemprop="inputvalue">“所有”据/code>
|据span itemprop="inputvalue">符合条件的参数名称的字符串数组或单元格数组据/span>|据span itemprop="inputvalue">向量的据Code class="literal">optimizableVariable据/code>对象据/span>
优化的参数,指定为逗号分隔对组成据Code class="literal">“OptimizeHyperparameters”据/code>和以下之一:据/p>
'没有任何'据/code>- 不要优化。据/p>
'汽车'据/code>- 用据Code class="literal">{'lambda','学习者'}据/code>.据/p>
“所有”据/code>- 优化所有符合条件的参数。据/p>
字符串数组或符合条件参数名称的单元数组。据/p>
向量的据Code class="literal">optimizableVariable据/code>对象,通常是输出据a href="//www.tatmou.com/help/stats/hyperparameters.html">hyperparameters据/code>.据/p>
优化尝试最小化交叉验证损失(错误)据Code class="function">FitClinear.据/code>通过改变参数。有关交叉验证损失的信息(虽然在不同的上下文中),请参阅据a href="//www.tatmou.com/help/stats/classificationpartitionedmodel.kfoldloss.html" class="a">分类损失据/a>.要控制交叉验证类型和其他方面的优化,请使用据a href="#bu2viad_sep_shared-HyperparameterOptimizationOptions" class="intrnllnk"> 请注意据/strong> 符合条件的参数据Code class="function">FitClinear.据/code>是:据/p>
通过传染媒介设置非菲达参数据Code class="literal">optimizableVariable据/code>具有非默认值的对象。例如,据/p>
通过据Code class="literal">参数个数据/code>的价值据Code class="literal">优化hyperParameters.据/code>.据/p>
默认情况下,在命令行出现迭代显示,并根据优化中超参数的数量出现绘图。对于优化和绘图,目标函数为据span class="inlineequation">Log(1 +交叉验证损失)据/span>为回归和误分类率为分类。若要控制迭代显示,请设置据Code class="literal">详细的据/code>场的据Code class="argument">'hyperparameteroptimizationoptions'据/code>名称-值对的论点。要控制情节,设置据Code class="literal">ShowPlots据/code>场的据Code class="argument">'hyperparameteroptimizationoptions'据/code>名称-值对的论点。据/p>
例如,看到据a href="//www.tatmou.com/help/stats/fitclinear.html" class="intrnllnk">优化线性分类器据/a>.据/p>
例子:据/strong>HyperParameterOptimizationOptions.据/code>名称值对。据/p>
“OptimizeHyperparameters”据/code>值覆盖使用其他名称值对参数设置的任何值。例如,设置据Code class="literal">“OptimizeHyperparameters”据/code>来据Code class="literal">'汽车'据/code>导致据Code class="literal">'汽车'据/code>申请的值。据/p>
λ据/code>
-据Code class="function">FitClinear.据/code>在正值中搜索,默认在范围内按对数缩放据Code class="literal">[1 e-5 / NumObservations 1 e5 / NumObservations]据/code>.据/p>学习者据/code>
-据Code class="function">FitClinear.据/code>搜索中据Code class="literal">'svm'据/code>和据Code class="literal">“物流”据/code>.据/p>正则化据/code>
-据Code class="function">FitClinear.据/code>搜索中据Code class="literal">'岭'据/code>和据Code class="literal">“套索”据/code>.据/p>负载据span style="color:#A020F0">fisheriris据/span>params = hyperparameters (据span style="color:#A020F0">'fitClinear'据/span>,meas,speies);Params(1).range = [1e-4,1e6];据/pre>
“OptimizeHyperparameters”、“汽车”据/code>
'hyperparameteroptimizationoptions'据/code>-据span itemprop="purpose">选择优化据/span>
结构据/span>
用于优化的选项,指定为逗号分隔的对,由据Code class="literal">'hyperparameteroptimizationoptions'据/code>和一个结构。此论点修改了效果据a href="#bu2viad-OptimizeHyperparameters" class="intrnllnk"> 获取函数的名称包括据Code class="literal">每秒据/code>不会产生可重复的结果,因为优化依赖于目标函数的运行时间。获取函数的名称包括据Code class="literal">+据/code>当他们过度开发一个区域时,调整他们的行为。有关更多详细信息,请参阅据a href="//www.tatmou.com/help/stats/bayesian-optimization-algorithm.html" class="a">获取函数类型据/a>.据/p> 时间限制,指定为正面真实。时间限制是以秒为单位的据a href="//www.tatmou.com/help/matlab/ref/tic.html"> 显示到命令行。据/p>
具体操作请参见据Code class="function">bayesopt据/code> 逻辑值,指示是否在每次迭代时重新验证交叉验证。如果据Code class="literal">假据/code>,优化器使用单个分区进行优化。据/p> 例子:据/strong> 数据类型:据/strong>优化hyperParameters.据/code>名称-值对的论点。结构中的所有字段都是可选的。据/p>
字段名称据/th>
价值据/th>
默认据/th>
优化器据/code>
'Bayesopt'据/code>-使用贝叶斯优化。在内部,这个设置调用据a href="//www.tatmou.com/help/stats/bayesopt.html">
bayesopt据/code>.据/p>
“gridsearch”据/code>-使用网格搜索据Code class="literal">NumGridDivisions据/code>每个维度值。据/p>
'randomsearch'据/code>-随机搜索据Code class="literal">MaxObjectiveEvaluations据/code>点。据/p>
“gridsearch”据/code>以随机顺序搜索,使用均匀采样而无需替换电网。优化后,您可以使用命令在网格秩序中获取表据Code class="literal">sortrows (Mdl.HyperparameterOptimizationResults)据/code>.据/p>
'Bayesopt'据/code>
AcquisitionFunctionName据/code>
'预期 - 每秒改善'据/code>
“expected-improvement”据/code>
“expected-improvement-plus”据/code>
“expected-improvement-per-second”据/code>
“较低的信任”据/code>
“probability-of-improvement”据/code>
'预期 - 每秒改善'据/code>
MaxObjectiveEvaluations据/code>
最大客观函数评估数。据/td>
30.据/code>为据Code class="literal">'Bayesopt'据/code>或据Code class="literal">'randomsearch'据/code>,和整个网格据Code class="literal">“gridsearch”据/code>
MaxTime据/code>
Tic.据/code>和据a href="//www.tatmou.com/help/matlab/ref/toc.html">
TOC.据/code>.运行时间可以超过据Code class="literal">MaxTime据/code>因为据Code class="literal">MaxTime据/code>不中断函数计算。据/p>
正据/code>
NumGridDivisions据/code>
为据Code class="literal">“gridsearch”据/code>,每个维度中的值数。该值可以是正整数的向量,其提供每个维度的值数,或者适用于所有维度的标量。对于分类变量,忽略此字段。据/td>
10据/code>
ShowPlots据/code>
逻辑值,指示是否显示图表。如果据Code class="literal">真正的据/code>,此字段绘制迭代号的最佳目标函数值。如果有一个或两个优化参数,并且如果据Code class="literal">优化器据/code>是据Code class="literal">'Bayesopt'据/code>,然后据Code class="literal">ShowPlots据/code>还根据参数绘制目标函数的模型。据/td>
真正的据/code>
SaveIntermediateResults据/code>
表示是否保存结果的逻辑值据Code class="literal">优化器据/code>是据Code class="literal">'Bayesopt'据/code>.如果据Code class="literal">真正的据/code>,此字段将覆盖名为据Code class="literal">“BayesoptResults”据/code>在每次迭代。变量是一个据a href="//www.tatmou.com/help/stats/bayesianoptimization.html"> 贝叶斯偏见据/code>目的。据/td>
假据/code>
详细的据/code>
0.据/code>-没有迭代显示据/p>
1据/code>- 迭代显示据/p>
2据/code>-重复显示额外的信息据/p>
详细的据/code>
名称-值对的论点。据/p>1据/code>
UseParallel据/code>
指示是否并行运行贝叶斯优化的逻辑值,这需要并行计算工具箱™。由于并行时序的不可再现性,并行贝叶斯优化并不一定产生可再现的结果。有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/parallel_bayesian_optimization.html" class="a">平行的贝叶斯优化据/a>.据/td>
假据/code>
重新开始据/code>
真正的据/code>通常给出最强大的结果,因为此设置考虑了划分的噪声。但是,为了好的结果,据Code class="literal">真正的据/code>需要至少两倍的函数求值。据/p>
假据/code>
不超过以下三个字段名称中的一个。据/td>
CVPartition据/code>
一种据Code class="literal">cvpartition据/code>对象,由创建的据a href="//www.tatmou.com/help/stats/cvpartition.html"> cvpartition据/code>.据/td>
'kfold',5据/code>如果您未指定任何交叉验证字段据/td>
坚持据/code>
范围内的标量据Code class="literal">(0,1)据/code>表示坚持不懈的分数。据/td>
kfold.据/code>
整数大于1。据/td>
'hyperparameteroptimizationOptions',struct('maxobjectiveevaluations',60)据/code>
塑造据/code>
Mdl据/code>-训练线性分类模型据B.r>分类线性据/code>模型对象|据Code class="literal">ClassificationPartitionedLinear据/code>旨在模型对象据/span>
训练有素的线性分类模型,作为一个返回据Code class="literal">分类线性据/code>模型对象或据Code class="literal">ClassificationPartitionedLinear据/code>旨在模型对象。据/p>
如果设置任何名称值对参数据a href="#bu2viad_sep_shared-KFold" class="intrnllnk"> 参考属性据Code class="literal">Mdl据/code>,使用点符号。例如,输入据Code class="literal">Mdl。β据/code>,以显示估计系数的矢量或矩阵。据/p>
请注意据/strong> 与其他分类模型不同,以及经济内存使用,据Code class="literal">分类线性据/code>和据Code class="literal">ClassificationPartitionedLinear据/code>模型对象不存储训练数据或训练过程细节(例如,收敛历史)。据/p>
kfold.据/code>那据a href="#bu2viad_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据a href="#bu2viad_sep_shared-CrossVal" class="intrnllnk">
横梁据/code>,或据a href="#bu2viad_sep_shared-CVPartition" class="intrnllnk">
CVPartition据/code>,然后据Code class="literal">Mdl据/code>是一个据Code class="literal">ClassificationPartitionedLinear据/code>旨在模型对象。除此以外,据Code class="literal">Mdl据/code>是一个据Code class="literal">分类线性据/code>模型对象。据/p>
FitInfo.据/code>- 优化细节据B.r>结构数组据/span>
优化细节,作为结构数组返回。据/p>
例如,字段指定最终值或名称值对参数规范,例如,据Code class="literal">客观的据/code>优化终止时目标函数的值是。多维字段的行对应于值据a href="#bu2viad_sep_shared-Lambda" class="intrnllnk"> 此表描述了一些值得注意的字段。据/p>
优化终止原因据/p> 中的值据Code class="literal">终端代码据/code> 每次迭代的优化信息的结构数组。这个领域据Code class="literal">解算器据/code>使用整数编码存储求解器类型。据/p>
要访问字段,请使用点符号。例如,要访问每次迭代的目标函数值向量,输入据Code class="literal">fitinfo.history.objective.据/code>.据/p>
检查是良好的做法据Code class="literal">FitInfo.据/code>评估收敛是否令人满意。据/p>
λ据/code>列和列对应于值据a href="#bu2viad_sep_shared-Solver" class="intrnllnk">
解算器据/code>.据/p>
场据/th>
描述据/th>
terminationStatus.据/code>
Fittime.据/code>
经过了,壁钟时间在几秒钟内据/td>
历史据/code>
整数据/th>
解算器据/th>
1据/td>
SGD.据/td>
2据/td>
ASGD.据/td>
3.据/td>
双SGD用于SVM据/td>
4.据/td>
LBFGS据/td>
5.据/td>
BFGS.据/td>
6.据/td>
sparsa.据/td>
HyperparameterOptimizationResults据/code>- 超参数的交叉验证优化据B.r>贝叶斯偏见据/code>对象|超参数和关联值表据/span>
超参数的交叉验证优化,作为据a href="//www.tatmou.com/help/stats/bayesianoptimization.html">贝叶斯偏见据/code>对象或包含超参数和关联值的表。的值时输出非空据Code class="argument">“OptimizeHyperparameters”据/code>不是据Code class="literal">'没有任何'据/code>.输出值取决于据Code class="literal">优化器据/code>田地值据Code class="literal">'hyperparameteroptimizationoptions'据/code>名称-值对论点:据/p>
的价值据Code class="literal">优化器据/code>场据/th>
的价值据Code class="argument">HyperparameterOptimizationResults据/code>
'Bayesopt'据/code>(默认)据/td>
类的对象据a href="//www.tatmou.com/help/stats/bayesianoptimization.html">
贝叶斯偏见据/code>
“gridsearch”据/code>或据Code class="literal">'randomsearch'据/code>
使用的超参数表,观测到的目标函数值(交叉验证损失),以及观测值从最低(最好)到最高(最差)的排序据/td>
一种据E.mClass="firstterm">温暖的开始据/em>是对提供给优化程序的Beta系数和偏置项的初始估计,以便更快地收敛。据/p>
高维线性分类和回归模型相对快速地最大限度地减少客观函数,但以某种准确度的成本,数值预测器变量限制,并且模型必须相对于参数线性。如果您的预测器数据集是低通过中维的,或者包含异构变量,则应使用适当的分类或回归拟合功能。为帮助您确定哪种拟合功能适用于低维数据集,请使用此表。据/p>
模型以适应据/th> | 功能据/th> | 值得注意的算法差异据/th> |
---|---|---|
SVM据/td> |
|
|
线性回归据/td> |
|
|
逻辑回归据/td> |
|
|
这是一个最佳实践,以使预测器矩阵定位,以便观察对应于列并指定据Code class="literal">'观察','列'据/code>.因此,您可以体验到优化执行时间的显着减少。据/p>
为了更好的优化精度,当你有高维预测数据和据a href="#bu2viad_sep_shared-Regularization" class="intrnllnk"> 其他选项可能导致较差的优化精度。据/p>正则化据/code>价值是据Code class="literal">'岭'据/code>,设置这些选项中的任何一个据a href="#bu2viad_sep_shared-Solver" class="intrnllnk">
解算器据/code>:据/p>
“sgd”据/code>
“asgd”据/code>
“双重”据/code>如果据a href="#bu2viad_sep_shared-Learner" class="intrnllnk">
学习者据/code>是据Code class="literal">'svm'据/code>
{“sgd”、“lbfgs”}据/code>
{“asgd”、“lbfgs”}据/code>
{'dual','lbfgs'}据/code>如果据Code class="argument">学习者据/code>是据Code class="literal">'svm'据/code>
当您具有中度到低维预测器数据时更好的优化准确性据Code class="argument">正则化据/code>价值是据Code class="literal">'岭'据/code>, 放据Code class="argument">解算器据/code>来据Code class="literal">“蓄热”据/code>.据/p>
如果据Code class="argument">正则化据/code>是据Code class="literal">“套索”据/code>,设置这些选项中的任何一个据Code class="argument">解算器据/code>:据/p>
“sgd”据/code>
“asgd”据/code>
“sparsa”据/code>
{'sgd','sparsa'}据/code>
{“asgd”、“sparsa”}据/code>
在SGD和ASGD之间选择时,考虑:据/p>
SGD每次迭代时间少花时间,但需要更多的迭代来融合。据/p>
ASGD需要更少的迭代来收敛,但是每个迭代需要更多的时间。据/p>
如果您的预测仪数据有很少的观察,但是许多预测变量,那么:据/p>
指定据Code class="literal">'postfitbias',true据/code>.据/p>
对于SGD或ASGD求解器,请设置据a href="#bu2viad-PassLimit" class="intrnllnk">PassLimit据/code>到大于1的正整数,例如,5或10。此设置通常会导致更好的准确性。据/p>
对于SGD和ASGD溶剂,据a href="#bu2viad_sep_shared-BatchSize" class="intrnllnk"> 如果据Code class="literal">Batchsize.据/code>那太小了据Code class="function">FitClinear.据/code>在许多迭代中实现最小值,但快速计算梯度。据/p> 如果据Code class="literal">Batchsize.据/code>是不是太大了据Code class="function">FitClinear.据/code>在更少的迭代中实现最小值,但速度慢慢计算梯度。据/p>Batchsize.据/code>影响收敛速度。据/p>
大的学习速率(见据a href="#bu2viad_sep_shared-LearnRate" class="intrnllnk">LearnRate据/code>)加速收敛到最小值,但可能导致发散(即超过最小值)。小的学习速率确保收敛到最小值,但可能导致缓慢的终止。据/p>
在使用套索惩罚时,用不同的值进行实验据a href="#bu2viad_sep_shared-TruncationPeriod" class="intrnllnk">TruncationPeriod据/code>.例如,设置据Code class="argument">TruncationPeriod据/code>来据Code class="literal">1据/code>那据Code class="literal">10据/code>,然后据Code class="literal">One hundred.据/code>.据/p>
为了效率,据Code class="function">FitClinear.据/code>不标准化预测器数据。标准化据a href="#bu2viad_sep_shared-X" class="intrnllnk"> 代码要求您将预测器和观察定位为行和列据Code class="literal">X据/code>,分别。此外,为了节省内存使用,代码将原始预测数据替换为标准化数据。据/p>X据/code>, 进入据/p>
x = bsxfun(@ rdivide,bsxfun(@ minus,x,意思(x,2)),std(x,0,2));据/pre>
在训练模型之后,您可以生成C/ c++代码来预测新数据的标签。生成C/ c++代码需要据span class="entity">Matlab Coder™据/span>.有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/introduction-to-code-generation.html" class="a">代码生成简介据/a>.据/span>
如果您指定据a href="#mw_bc33fe85-e1e9-40f9-abd3-1099cb24ff50" class="intrnllnk"> 当据Code class="function">FitClinear.据/code>估计验证损失,它将估计与最小估计进行比较。据/p> 当随后的验证损失估计超过最小估计5倍时,据Code class="function">FitClinear.据/code>终止优化。据/p>验证数据据/code>然后,在客观函数优化期间:据/p>
FitClinear.据/code>估计验证损失据Code class="argument">验证数据据/code>定期使用当前模型,并跟踪最小估计。据/p>
如果您指定据Code class="argument">验证数据据/code>并实现交叉验证程序(据a href="#bu2viad_sep_shared-CrossVal" class="intrnllnk"> 一次据Code class="function">FitClinear.据/code>在满足停止准则的情况下,基于优化后的线性系数和截距构造训练模型。据/p>
如果你实现据E.mClass="varname">K.据/em>- 折叠交叉验证,和据Code class="function">FitClinear.据/code>然后没有用尽所有训练集折叠据Code class="function">FitClinear.据/code>返回到步骤2,使用下一个训练集折叠进行训练。据/p> 除此以外,据Code class="function">FitClinear.据/code>终止训练,然后返回交叉验证的模型。据/p> 您可以确定交叉验证模型的质量。例如:据/p>
为了使用第1步中的坚持层或折叠外数据确定验证损失,将交叉验证模型传递给据Code class="literal">kfoldLoss据/code>.据/p> 要预测步骤1的熔断或折叠倍数数据的观察,请将交叉验证的模型传递给据Code class="literal">Kfoldpredict据/code>.据/p>横梁据/code>那据a href="#bu2viad_sep_shared-CVPartition" class="intrnllnk">
CVPartition据/code>那据a href="#bu2viad_sep_shared-Holdout" class="intrnllnk">
坚持据/code>,或据a href="#bu2viad_sep_shared-KFold" class="intrnllnk">
kfold.据/code>),那么:据/p>
FitClinear.据/code>随机分区据a href="#bu2viad_sep_shared-X" class="intrnllnk">
X据/code>和据a href="#bu2viad_sep_shared-Y" class="intrnllnk">
y据/code>(或据a href="#bu2viad_sep_shared-Tbl" class="intrnllnk">
资源描述据/code>),根据您选择的交叉验证程序。据/p>
FitClinear.据/code>使用培训数据分区列车模型。在客观功能优化期间,据Code class="function">FitClinear.据/code>用途据Code class="literal">验证数据据/code>作为终止优化的另一种可能的方法(有关详细信息,请参阅先前的子弹)。据/p>
[1] Hsieh,C.J.,K.W.Chang,C.J.Lin,S. Keerthi和S. Sundararajan。“用于大规模线性SVM的双坐标滴定方法。”据E.mClass="citetitle">第25届国际机器学习会议论文集,ICML’08据/em>,2001年,第408-415页。据/p>
[2] Langford,J.,L. Li和T.张。“通过截断的渐变稀疏在线学习。”据E.mClass="citetitle">J. Mach。学习。res。据/em>,卷。10,2009,第777-801页。据/p>
[3] Nocedal,J.和S. Wright。据E.mClass="citetitle">数值优化据/em>,第二次,纽约:春天,2006年。据/p>
[4] Shalev-Shwartz,S.,Y.歌手和N. Srebro。“PEGASOS:SVM的原始估计子梯度求解器。”据E.mClass="citetitle">第24届国际机器学习会议论文集,ICML’07据/em>,2007年,第807-814页。据/p>
莱特,S. J., R. D.诺瓦克,M. A. T. Figueiredo。“可分离近似稀疏重建”。据E.mClass="citetitle">跨。SIG。Proc。据/em>,卷。57,2009年7月7日,第2479-2493。据/p>
肖[6],林。“正则化随机学习和在线优化的双重平均方法”。据E.mClass="citetitle">J. Mach。学习。res。据/em>,卷。2010年11月11日,第2543-2596。据/p>
[7]徐,魏。“朝着最佳的一个通过平均随机梯度血统来通过大规模学习。”据E.mClass="citetitle">corr据/em>、abs / 1107.2490, 2011年。据/p>
使用说明和限制:据/p>
FitClinear.据/code>不支持高金宝app据Code class="literal">表格据/code>数据。据/p>
与内存中的默认值相比,一些名称-值对参数有不同的默认值据Code class="function">FitClinear.据/code>功能。金宝app支持的名称值对参数以及任何差异,是:据/p>
“ObservationsIn”据/code>——金宝app只支持据Code class="literal">'行'据/code>.据/p>
'lambda'据/code>- 可据Code class="literal">'汽车'据/code>(默认)或标量。据/p>
“学习者”据/code>
'正规化'据/code>——金宝app只支持据Code class="literal">'岭'据/code>.据/p>
“规划求解”据/code>——金宝app只支持据Code class="literal">'lbfgs'据/code>.据/p>
'fitbias'据/code>——金宝app只支持据Code class="literal">真正的据/code>.据/p>
'verbose'据/code>- 默认值是据Code class="literal">1据/code>.据/p>
“β”据/code>
'偏见'据/code>
“类名”据/code>
'成本'据/code>
“之前”据/code>
“重量”据/code>- 值必须是高大的数组。据/p>
“HessianHistorySize”据/code>
'betatolerance'据/code>—默认值为据Code class="literal">1 e - 3据/code>.据/p>
“GradientTolerance”据/code>—默认值为据Code class="literal">1 e - 3据/code>.据/p>
“IterationLimit”据/code>—默认值为据Code class="literal">20.据/code>.据/p>
“OptimizeHyperparameters”据/code>- 的价值据Code class="literal">'正规化'据/code>参数必须是据Code class="literal">'岭'据/code>.据/p>
'hyperparameteroptimizationoptions'据/code>-对于交叉验证,只支持高优化金宝app据Code class="literal">“坚持”据/code>验证。例如,可以指定据Code class="literal">FitClinear(X,Y,'OptimizeHyperParame','Auto','HyperParameterOptizizationsoptions',struct('holdout',0.2))据/code>.据/p>
对于高阵列,据Code class="function">FitClinear.据/code>通过在每次迭代时将损耗和梯度的计算分布到高阵的不同部分,实现了LBFGS。其他解算器对于长数组是不可用的。据/p>
的初始值据Code class="literal">β据/code>和据Code class="literal">偏见据/code>不给,据Code class="function">FitClinear.据/code>通过将模型拟合到数据的一部分和通过平均来组合系数来改进参数的初始估计。据/p>
有关更多信息,请参阅据a href="//www.tatmou.com/help/matlab/tall-arrays.html" class="a">高大的数组据/a>.据/p>
要执行并行超参数优化,请使用据Code class="literal">“HyperparameterOptimizationOptions”、结构(UseParallel,真的)据/code>对此函数调用中的名称值对参数。据/p>
有关并行超参数优化的更多信息,请参见据a href="//www.tatmou.com/help/stats/parallel_bayesian_optimization.html" class="a">平行的贝叶斯优化据/a>.据/p>
有关并行计算的更多一般信息,请参阅据a href="//www.tatmou.com/help/parallel-computing/run-matlab-functions-with-automatic-parallel-support.html" class="a">运行MATLAB函数与自动并行支持金宝app据/a>(并行计算工具箱)据/span>.据/p>
分类线性据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">ClassificationPartitionedLinear据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">Fitcecoc.据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitckernel据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">Fitglm.据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitrlinear据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">kfoldLoss据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">Kfoldpredict据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">lassoglm.据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">templateLinear据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">testcholdout据/code>
你点击一个链接对应于这个MATLAB命令:据/p>
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据/p>
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:据strong class="recommended-country">.据/p> 选择据span class="recommended-country">网站据/a>
您还可以从以下列表中选择一个网站:据/p>
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。据/p>