主要内容

Rowexh

行交换

语法

dRE = rowexch (nfactors nruns)
[dRE，X]=rowech（nfactors，nruns）
[dRE，X]=RowexH（nfactors，NRUN，模型）
(dRE, X) = rowexch(…参数1，val1，参数2，val2,……)

描述

dRE = rowexch (nfactors nruns)使用行交换算法生成D最优设计数据记录设备与nruns排成一行数据记录设备)对于一个线性可加模型nfactors因子(列数据记录设备).该模型包含一个常数项。

[dRE，X]=rowech（nfactors，nruns）还返回关联的设计矩阵X，其列是在每个处理(行)处评估的模型项数据记录设备．

[dRE，X]=RowexH（nfactors，NRUN，模型）使用中指定的线性回归模型模型．模型是下列情况之一:

  • “线性”-常数和线性项。这是默认值。

  • “互动”-常数、线性和交互项

  • “二次”-常数项、线性项、相互作用项和平方项

  • “purequadratic”-常数项，线性项和平方项

列的顺序X对于一个完全二次模型n条款如下：

  1. 常数项

  2. 顺序为1，2，…，的线性项。。。，n

  3. (1, 2)，(1, 3)，…(1,n)，(2, 3)，……, （n1,n）

  4. 平方项是(1 2…)n

其他模型以同样的顺序使用这些术语的子集。

另外,模型可以是指定任意顺序多项式项的矩阵。在这种情况下,模型模型中的每个因子应具有一列，每个术语应具有一行模型是列中因子的幂。例如，如果模型具有因子X1，X2和X3，然后一行[0 1 2]在模型指定这个词（X1.^0.*（X2.^1.*（X3.^2）.中的一行全零模型指定一个常数项，可以省略。

(dRE, X) = rowexch(…参数1，val1，参数2，val2,……)为设计指定附加的参数/值对。下表列出了有效参数及其值。

参数 价值
“界限”

每个因子的上下限，指定为2-借-nfactors矩阵。或者，该值可以是包含的单元格数组nfactors元素，每个元素指定对应因子的允许值向量。
“分类”

分类预测指标。
“显示”

任何一个“上”或“关”控制迭代计数器的显示。默认值是“上”．
“excludefun”

排除不希望运行的运行的函数的句柄。如果函数是f，它必须支持语法金宝appb＝f（年代),年代矩阵的处理方法是nfactors列和b一个布尔值向量的行数与年代．b（我)为真，如果我第四排年代应该被排除在外。
“初始化”

初始设计nruns-借-nfactors矩阵。默认值是随机选择的一组点。
“级别”

每个因素的级别数向量。
“麦克斯特”

最大迭代次数。默认值为10．
选项

一种结构，指定是否并行运行，并指定一个或多个随机流。创建选项结构斯塔塞特．此选项需要并行计算工具箱™。选择字段:

  • UseParallel-着手符合事实的并行计算。默认值为假．

  • UseSubstreams-着手符合事实的并行计算以可复制的方式并行计算默认是假．若要重复计算，请设置溪流对于允许子流的类型：“mlfg6331_64”或“mrg32k3a”．

  • 溪流——一个RandStream对象或此类对象的单元格数组。如果没有指定溪流，Rowexh使用默认流。如果选择指定溪流，请使用单个对象，但在

    • UseParallel是符合事实的

    • UseSubstreams是假

    在这种情况下，请使用与并行池大小相同的单元阵列。
“尝试”

尝试从新起点生成设计的次数。算法每次尝试使用随机点，第一次除外。默认值为1．

例子

假设你想要一个设计来估计以下三因素、七项交互模型中的参数:

y ＝ β 0 + β 1 x + 1 β 2 x + 2 β 3. x + 3. β 12 x x 1 + 2 β 13 x x 1 + 3. β 23 x x 2 + 3. ε

使用Rowexh生成一个D-七次运行的优化设计：

nfactors=3；nruns=7；[dRE，X]=Rowexh（nfactors，nruns，'interaction'，'trys'，10）dRE=-1-11-11-11-11-1-1-11-1-11-11-11 X=1-1-11-11-11-11-11-11-11-11-11-1-1-11-11-11-11-11-11

设计矩阵的列X模型条款是否在设计的每一行进行评估数据记录设备.术语从左到右依次出现：常数项、线性项（1、2、3）、交互项（12、13、23）。使用X以适应模型，如线性回归，以响应在设计点测量的数据数据记录设备．

算法

二者都cordexch和Rowexh使用迭代搜索算法。它们通过增量地改变初始设计矩阵来运作X增加D= |XTX|在每一步。在这两种算法中，初始设计的选择和增量变化的选择都有随机性。因此，这两种算法都可能返回局部，而不是全局，D最优设计。运行每个算法多次，并为您的最终设计选择最佳结果。两个函数都有“尝试”参数，该参数自动进行重复和比较。

在每一步，行交换算法交换一整行X使用设计矩阵中的一行C在可行治疗的候选集上进行评估Rowexh函数自动生成一个C适用于指定的模型，通过调用candgen和candexch函数序列。提供自己的C通过调用candexch直接。无论哪种情况，如果C如果内存很大，它在内存中的静态存在可能会影响计算。

扩展功能

另请参阅

||

在R2006a之前引入

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

掌握机器学习:一步一步的指导与MATLAB

下载电子书