高配列を使用したベ高苹果ズ最適化
この例では，名前と値の引数“OptimizeHyperparameters”を使用してカネル分類器の学習に最適なパラメタをベズ最適化によって選択する方法を示します。標本デ，タセットairlinesmall.csv。この例では,データが含まれている高表を作成し,高表からクラスラベルと予測子データを抽出して最適化手順を実行します。
高配列に対する計算を実行する場合,MATLAB®は並列プール(并行计算工具箱™がある場合は既定)またはローカルのMATLABセッションを使用します。并行计算工具箱がある場合でもローカルのMATLABセッションを使用して例を実行するには,関数mapreduceを使用してグロ，バルな実行環境を変更できます。
Matlab®へのデ，タの取得
デ，タがあるフォルダ，の場所を参照するデ，タストアを作成します。データは,単一のファイル,ファイルの集まり,またはフォルダー全体のどれに含まれていてもかまいません。一連のファ▪▪ルが格納されているフォルダ▪▪に▪いて，フォルダ▪▪全体の場所を指定するか，‘* . csv‘のようにワイルドカード文字を使用して,同じファイル拡張子をもつ複数のファイルをデータストアに含めることができます。処理する変数のサブセットを選択します。数据存储で南値に置き換えるため，“NA”値を欠損デ，タとして扱います。デ，タストア内のデ，タを含む高表を作成します。
数据存储(“airlinesmall.csv”）;ds。SelectedVariableNames = {“月”，“DayofMonth”，“DayOfWeek”，.．.“DepTime”，“ArrDelay”，“距离”，“DepDelay”};ds。TreatAsMissing =“NA”；Tt =高(ds)%高桌
使用“本地”配置文件启动并行池(parpool)…连接到平行池(工人数量:6)。tt = M×7高表月DayofMonth DayOfWeek DepTime DepDelay ArrDelay距离 _____ __________ _________ _______ ________ ________ ________ 10 21 642 8 308年12 26 10 23 5 1 1021 8 296 2055 21 480 1332 10 23 5 13 296 12 10 22 4 629 373 1 10 28 3 1446 59 308 63 10 8 4 928 447 2 10 10 6 859 11 954 1 : : : : : : : : : : : : : :
クラスラベルと予測子デ，タの準備
フライトが遅れた場合に真になる論理変数を定義することにより,10分以上遅れたフライトを判別します。この変数にクラスラベルを含めます。この変数のプレビュ，には，はじめの数行が含まれています。
Y = tt。10 . DepDelay >%等级标签
Y = M×1 tall逻辑阵列1 0 1 1 0 1 0 0::
予測子デタの高配列を作成します。
X = tt{:，1:end-1}预测数据
X = M×6高双矩阵1021 3 642 8 308 10 26 1 1021 8 296 10 23 5 2055 21 480 10 23 5 1332 13 296 10 22 4 629 4 373 10 28 3 1446 59 308 10 8 4 928 3 447 10 10 10 6 859 11 954::::::::::::
欠損デ，タが含まれているXおよびYの行を削除します。
R = rmmissing([X Y]);%删除丢失条目的数据X = R(:，1:end-1);Y = R(:，end);
OptimizeHyperparametersを使用したベ@ @ズ最適化の実行
名前と値の引数“OptimizeHyperparameters”。
予測子変数を標準化します。
Z = zscore(X);
ホ，ルドアウト検証セットの損失を最小化する，名前と値の引数“KernelScale”および“λ”に最適な値を求めます。既定では，データの 20% が検証データとして選択されて確保され、残りのデータがモデルの学習に使用されます。ホールドアウトの比率は、名前と値の引数“HyperparameterOptimizationOptions”を使用して変更できます。再現性を得るため，“expected-improvement-plus”の獲得関数を使用し，rngとtallrngにより乱数発生器のシ，ドを設定します。高配列の場合、ワーカーの個数と実行環境によって結果が異なる可能性があります。詳細については、コ，ドの実行場所の制御を参照してください。
rng (“默认”) tallrng (“默认”) Mdl = fitckernel(Z,Y，“详细”0,“OptimizeHyperparameters”，“汽车”，.．.“HyperparameterOptimizationOptions”结构(“AcquisitionFunctionName”，“expected-improvement-plus”）)
使用并行池“本地”评估tall表达式:-通过2中的1:在7.1秒内完成-通过2中的2:在2.2秒内完成评估在12秒内完成
使用并行池“local”计算tall表达式:-传递1 / 1:在1.6秒完成评估在1.8秒完成 |=====================================================================================================| | Iter | Eval客观客观| | | BestSoFar | BestSoFar | KernelScaleλ| | | | |结果运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 最好1 | | 0.19672 | 125.49 | 0.19672 | 0.19672 | 1.2297 | 0.0080902 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.93秒内完成评估在1.1秒内完成| 2 |接受| 0.19672 | 53.653 | 0.19672 | 0.19672 | 0.039643 | 2.5756e-05 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.5秒内完成评估在1.6秒内完成| 3 |接受| 0.19672 | 52.453 | 0.19672 | 0.19672 | 0.02562 | 1.2555e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 4 |接受| 0.19672 | 57.223 | 0.19672 | 0.19672 | 92.644 | 1.2056e-07 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.4秒内完成评估在1.5秒内完成| 5 |最佳| 0.11469 | 89.981 | 0.11469 | 0.12698 | 11.173 | 0.00024836 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.94秒内完成评估在1.1秒内完成| 6 |最佳| 0.11365 | 82.031 | 0.11365 | 0.11373 | 10.609 | 0.00025761 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.92秒内完成评估在1.1秒内完成| 7 |接受| 0.19672 | 50.604 | 0.11365 | 0.11373 | 0.0059498 | 0.00043861 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.89秒内完成评估在1秒内完成| 8 |接受| 0.12122 | 91.341 | 0.11365 | 0.11371 | 11.44 | 0.00045722 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.97秒内完成评估在1.1秒内完成| 9 |最佳| 0.10417 | 42.696 | 0.10417 | 0.10417 | 8.0424 | 6.7998e-05 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.87秒内完成评估在1秒内完成| 10 |接受| 0.10433 | 42.215 | 0.10417 | 0.10417 | 9.6694 | 1.4948e-05 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.87秒内完成评估在1秒内完成| 11 |最佳| 0.10409 | 41.618 | 0.10409 | 0.10411 | 6.2099 | 6.1093e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.88秒内完成评估在1秒内完成| 12 |最佳| 0.10383 | 44.635 | 0.10383 | 0.10404 | 5.6767 | 7.6134e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.89秒内完成评估在1秒内完成| 13 |接受| 0.10408 | 45.429 | 0.10383 | 0.10365 | 8.1769 | 8.5993e-09 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.89秒内完成评估在1秒内完成| 14 |接受| 0.10404 | 41.928 | 0.10383 | 0.10361 | 7.6191 | 6.4079 -07 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.93秒内完成评估在1.1秒内完成| 15 |最佳| 0.10351 | 42.094 | 0.10351 | 0.10362 | 4.2987 | 9.2645e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.88秒内完成评估在1秒内完成| 16 |接受| 0.10404 | 44.684 | 0.10351 | 0.10362 | 4.8747 | 1.7838e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.87秒内完成评估在1秒内完成| 17 |接受| 0.10657 | 88.006 | 0.10351 | 0.10357 | 4.8239 | 0.00016344 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.88秒内完成评估在1秒内完成| 18 |最佳| 0.10299 | 41.303 | 0.10299 | 0.10358 | 3.5555 | 2.7165e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.89秒内完成评估在1秒内完成| 19 |接受| 0.10366 | 41.301 | 0.10299 | 0.10324 | 3.8035 | 1.3542e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.87秒内完成评估在0.99秒内完成| 20 |接受| 0.10337 | 41.345 | 0.10299 | 0.10323 | 3.806 | 1.8101e-06 |
使用并行池“local”计算tall表达式:-传递1 / 1:在0.89秒完成评估在1秒完成 |=====================================================================================================| | Iter | Eval客观客观| | | BestSoFar | BestSoFar | KernelScaleλ| | | | |结果运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 21日|接受| 0.10345 | 41.418 | 0.10299 | 0.10322 | 3.3655 | 9.082 e-09 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.86秒内完成评估在0.98秒内完成| 22 |接受| 0.19672 | 60.129 | 0.10299 | 0.10322 | 999.62 | 1.2609e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.88秒内完成评估在1秒内完成| 23 |接受| 0.10315 | 41.133 | 0.10299 | 0.10306 | 3.6716 | 1.2445e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.88秒内完成评估在1秒内完成| 24 |接受| 0.19672 | 48.262 | 0.10299 | 0.10306 | 0.0010004 | 2.6214e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.89秒内完成评估在1秒内完成| 25 |接受| 0.19672 | 48.334 | 0.10299 | 0.10306 | 0.21865 | 0.0026529 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.86秒内完成评估在0.98秒内完成| 26 |接受| 0.19672 | 60.229 | 0.10299 | 0.10306 | 299.92 | 0.0032109 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.87秒内完成评估在0.99秒内完成| 27 |接受| 0.19672 | 48.361 | 0.10299 | 0.10306 | 0.002436 | 0.0040428 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.2秒内完成评估在1.4秒内完成| 28 |接受| 0.19672 | 52.539 | 0.10299 | 0.10305 | 0.50559 | 3.3667e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.88秒内完成评估在1秒内完成| 29 |接受| 0.10354 | 43.957 | 0.10299 | 0.10313 | 3.7754 | 9.5626e-09 |
使用并行池“本地”评估高表达式:-通过1 / 1:在0.93秒内完成评估在1.1秒内完成| 30 |接受| 0.10405 | 41.388 | 0.10299 | 0.10315 | 8.9864 | 2.3136e-07 |
__________________________________________________________ 优化完成。最大目标达到30个。总函数评估:30总运行时间:1677.1387秒总目标函数评估时间:1645.7748最佳观测可行点:KernelScale Lambda ___________ __________ 3.5555 2.7165e-06观测目标函数值= 0.10299估计目标函数值= 0.10332函数评估时间= 41.3029最佳估计可行点(根据模型):KernelScale Lambda ___________ __________ 3.6716 1.2445e-08估计目标函数值= 0.10315估计函数评估时间= 42.3461
Mdl = ClassificationKernel PredictorNames: {'x1' 'x2' 'x3' 'x4' 'x5' 'x6'} ResponseName: 'Y' ClassNames: [0 1] Learner: 'svm' NumExpansionDimensions: 256 KernelScale: 3.6716 Lambda: 1.2445e-08 BoxConstraint: 665.9442属性，方法
bayesoptの使用によるベ@ @ズ最適化の実行
あるいは，関数bayesopt。
デ，タセットを学習セットと検定セットに分割します。検定セット用に1/3のホルドアウト標本を指定します。
rng (“默认”）%用于再现性tallrng (“默认”）%用于再现性分区= cvpartition(Y，“坚持”, 1/3);trainingInds =训练(分区);%训练集的指数testInds = test(分区);%测试集的索引
学習デ，タと検定デ，タを抽出し，予測子デ，タを標準化します。
Ytrain = Y(trainingInds);%培训课程标签Xtrain = X(trainingInds，:);[Ztrain,mu,stddev] = zscore(Xtrain);标准化培训数据Ytest = Y(testInds);%测试等级标签Xtest = X(testInds，:);Ztest = (Xtest-mu)./stddev;标准化测试数据
名前と値の引数“KernelScale”および“λ”に最適な値を求めるため，変数σおよびλを定義します。optimizableVariableを使用し，最適な値は不明なので，変数にいて広い範囲を指定します。最適な値を対数スケ，ルで求めるため，対数変換を変数に適用します。
N = gather(number (Ytrain));计算内存中高训练数组的长度
使用并行池“本地”评估高表达式:-通过1:0%完成评估0%完成
-通过1 / 1:在0.95秒内完成
评估在1.1秒内完成
sigma = optimizableVariable(“σ”(1 e - 3, 1 e3),“转换”，“日志”）;lambda = optimizableVariable(“λ”[(1 e - 3) / N (1 e3) / N),“转换”，“日志”）;
ベ@ @ズ最適化の目的関数を作成します。目的関数は，変数σおよびλが格納されている表を受け入れ，関数fitckernelで学習をさせたバ▪▪ナリガウスカ▪▪ネル分類モデルの分類損失値を計算します。診断情報を反復表示しないようにするため，fitckernelで“详细”,0を設定します。
minfn = @(z)gather(loss(fitckernel(Ztrain,Ytrain，.．.“KernelScale”z.sigma,“λ”z.lambda,“详细”0),.．.中兴通讯、欧美));
bayesoptを使用して，カ，ネル分類モデルのパラメ，タ，(σ,λ)を分類損失に関して最適化します。既定では，bayesoptは最適化に関する情報をコマンドラ@ @ンに繰り返し表示します。再現性を得るために，AcquisitionFunctionNameオプションを“expected-improvement-plus”に設定します。既定の獲得関数は実行時に決定されるので，結果が異なる場合があります。
结果= bayesopt(minfn，[sigma,lambda]，“AcquisitionFunctionName”，“expected-improvement-plus”）
使用并行池“local”计算tall表达式:-传递1 / 1:在1.1秒完成评估在1.3秒完成 |=====================================================================================================| | Iter | Eval客观客观| | | BestSoFar | BestSoFarλσ| | | | | |结果运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 最好1 | | 0.19651 | 84.526 | 0.19651 | 0.19651 | 1.2297 | 0.012135 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 2 |接受| 0.19651 | 112.57 | 0.19651 | 0.19651 | 0.039643 | 3.8633e-05 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 3 |接受| 0.19651 | 80.282 | 0.19651 | 0.19651 | 0.02562 | 1.8832e-08 |
使用并行池“本地”评估高表达式:—通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 4 |接受| 0.19651 | 52.306 | 0.19651 | 0.19651 | 92.644 | 1.8084e-07 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 5 |接受| 0.19651 | 52.717 | 0.19651 | 0.19651 | 978.95 | 0.00015066 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 6 |接受| 0.19651 | 90.336 | 0.19651 | 0.19651 | 0.0089609 | 0.0059189 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 7 |接受| 0.19651 | 110.35 | 0.19651 | 0.19651 | 0.0010228 | 1.292e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 8 |接受| 0.19651 | 76.594 | 0.19651 | 0.19651 | 0.27475 | 0.0044831 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 9 |接受| 0.19651 | 77.641 | 0.19651 | 0.19651 | 0.81326 | 1.0753e-07 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 10 |接受| 0.19651 | 100.21 | 0.19651 | 0.19651 | 0.0040507 | 0.00011333 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 11 |接受| 0.19651 | 52.287 | 0.19651 | 0.19651 | 964.67 | 1.2786e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 12 |接受| 0.19651 | 107.7 | 0.19651 | 0.19651 | 0.24069 | 0.0070503 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 13 |接受| 0.19651 | 52.092 | 0.19651 | 0.19651 | 974.15 | 0.010898 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 14 |接受| 0.19651 | 92.184 | 0.19651 | 0.19651 | 0.0013246 | 0.0011748 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 15 |接受| 0.19651 | 87.893 | 0.19651 | 0.19651 | 0.0067415 | 1.9074e-07 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 16 |接受| 0.19651 | 110.46 | 0.19651 | 0.19651 | 0.020448 | 1.247e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 17 |接受| 0.19651 | 104.12 | 0.19651 | 0.19651 | 0.0016556 | 0.0001784 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 18 |接受| 0.19651 | 85.263 | 0.19651 | 0.19651 | 0.0047914 | 2.3289e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 19 |接受| 0.19651 | 52.102 | 0.19651 | 0.19651 | 90.015 | 0.00024412 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 20 |接受| 0.19651 | 82.238 | 0.19651 | 0.19651 | 0.68775 | 2.7178e-07 |
使用并行池“local”计算tall表达式:-传递1 / 1:在1.1秒完成评估在1.2秒完成 |=====================================================================================================| | Iter | Eval客观客观| | | BestSoFar | BestSoFarλσ| | | | | |结果运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 21日|接受| 0.19651 | 49.468 | 0.19651 | 0.19651 | 49.073 | 0.00014766 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 22 |接受| 0.19651 | 49.183 | 0.19651 | 0.19651 | 25.955 | 8.4946e-05 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 23 |接受| 0.19651 | 84.781 | 0.19651 | 0.19651 | 0.002241 | 1.6284e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 24 |接受| 0.19651 | 90.023 | 0.19651 | 0.19651 | 0.060661 | 0.00041011 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 25 |接受| 0.19651 | 87.349 | 0.19651 | 0.19651 | 0.035771 | 0.0023369 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 26 |接受| 0.19651 | 49.932 | 0.19651 | 0.19651 | 713.45 | 3.5177e-08 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 27 |接受| 0.19651 | 87.169 | 0.19651 | 0.19651 | 0.012395 | 1.8186e-06 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 28 |接受| 0.19651 | 94.87 | 0.19651 | 0.19651 | 0.042872 | 0.0015886 |
使用并行池“本地”评估tall表达式:—通过1 / 1:在1.1秒内完成评估在1.2秒内完成| 29 | Best | 0.10795 | 37.932 | 0.10795 | 0.19346 | 1.5886 | 4.9128e-07 |
使用并行池“本地”评估高表达式:-通过1 / 1:在1.1秒内完成评估在1.3秒内完成| 30 |接受| 0.19651 | 52.241 | 0.10795 | 0.19356 | 236.64 | 5.0506e-06 |
__________________________________________________________ 优化完成。最大目标达到30个。总函数评估:30总运行时间:2455.5118秒总目标函数评估时间:2346.8025最佳观测可行点:sigma lambda ______ __________ 1.5886 4.9128e-07观测目标函数值= 0.10795估计目标函数值= 0.19356函数评估时间= 37.9317最佳估计可行点(根据模型):sigma lambda ______ __________ 1.5886 4.9128e-07估计目标函数值= 0.19356估计函数评估时间= 66.1901
results = BayesianOptimization with properties: ObjectiveFcn: @(z)gather(loss(fitckernel(Ztrain,Ytrain，'KernelScale'，z.sigma，'Lambda'，z. Lambda，'Verbose'，0)，Ztest,Ytest) variabledescription: [1×2 optimizableVariable] Options: [1×1 struct] MinObjective: 0.1079 XAtMinObjective: [1×2 table] MinEstimatedObjective: 0.1936 XAtMinEstimatedObjective: [1×2 table] numobjectiveevalues: 30 TotalElapsedTime: 2.4555e+03 NextPoint: [1×2 table] XTrace: [30×2 table] ObjectiveTrace:(30×1双)ConstraintsTrace: [] UserDataTrace:{30×1细胞}ObjectiveEvaluationTimeTrace:[30×1双]IterationTimeTrace:[30×1双]ErrorTrace:[30×1双]FeasibilityTrace:[30×1逻辑]FeasibilityProbabilityTrace:[30×1双]IndexOfMinimumTrace:[30×1双]ObjectiveMinimumTrace:[30×1双]EstimatedObjectiveMinimumTrace:[30×1双)
関数bestPointを使用して，ベ结果内の最良の実行可能点を取得します。既定の基準min-visited-upper-confidence-intervalを使用します。この基準では,目的関数の値に対して信頼区間の上限を最小化する探索済みの点が最良の実行可能点になります。
zbest = bestPoint(结果)
zb =1×2表Sigma lambda ______ __________ 1.5886 4.9128e-07
表格zbには，名前と値の引数“KernelScale”および“λ”に最適な推定値が格納されます。これらの値は，次の構文を使用して新しい最適化済みカ，ネル分類器に学習をさせるときに指定できます。
Mdl = fitckernel(Ztrain,Ytrain，“KernelScale”zbest.sigma,“λ”zbest.lambda)
高大配列の場合，最適化手順に時間がかかる可能性があります。最適化手順を実行するにはデータセットが大きすぎる場合,データの一部だけを使用してパラメーターの最適化を試すことができます。関数datasampleを使用し，“替换”,“假”を指定して，デ，タを非復元抽出します。
参考
bayesopt|bestPoint|cvpartition|数据存储|fitckernel|收集|损失|optimizableVariable|高
您也可以从以下列表中选择一个网站: