黎加gydF4y2Ba

再構成icaの使用による特徴抽出gydF4y2Ba

構文gydF4y2Ba

Mdl = rica(X,q)gydF4y2Ba

Mdl = rica(X,q，名称，值)gydF4y2Ba

説明gydF4y2Ba

MdlgydF4y2Ba=黎加(gydF4y2BaXgydF4y2Ba，gydF4y2Ba问gydF4y2Ba）gydF4y2Baは，p個の変数が含まれている予測子デ，タのテ，ブルまたは行列gydF4y2BaXgydF4y2Baに再構成独立成分分析(黎加)を適用した結果が含まれている黎加モデルオブジェクトを返します。gydF4y2Ba问gydF4y2BaはgydF4y2BaXgydF4y2Baから抽出する特徴量の個数なので，gydF4y2Ba黎加gydF4y2Baはp行gydF4y2Ba问gydF4y2Ba列の変換の重み行列を学習します。特徴量の表現が劣完備または過完備である場合，gydF4y2Ba问gydF4y2Baはそれぞれ，予測子変数の個数より少なかったり多かったりする可能性があります。gydF4y2Ba

学習済みの変換の重みにアクセスするには，gydF4y2BaMdl。TransformWeightsを使用します。gydF4y2Ba
学習済みの変換を使用してgydF4y2BaXgydF4y2Baを新しい一連の特徴量に変換するには，gydF4y2BaMdlgydF4y2BaとgydF4y2BaXgydF4y2BaをgydF4y2Ba变换gydF4y2Baに渡します。gydF4y2Ba

例gydF4y2Ba

MdlgydF4y2Ba=黎加(gydF4y2BaXgydF4y2Ba，gydF4y2Ba问gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Baは，1以上のgydF4y2Ba名称,值gydF4y2Ba引数のペアによって指定された追加オプションを使用します。たとえば,予測子データを標準化したり,目的関数の再構成項におけるペナルティ係数の値を指定することができます。gydF4y2Ba

例gydF4y2Ba

すべて折りたたむgydF4y2Ba

再構成icaオブジェクトの作成gydF4y2Ba

ラ@ @ブスクリプトを開くgydF4y2Ba

関数gydF4y2Ba黎加gydF4y2Baを使用してgydF4y2BaReconstructionICAgydF4y2Baオブジェクトを作成します。gydF4y2Ba

メ，ジパッチgydF4y2BaSampleImagePatchesgydF4y2Baを読み込みます。gydF4y2Ba

数据=负载(gydF4y2Ba“SampleImagePatches”gydF4y2Ba）;大小(data.X)gydF4y2Ba

ans =gydF4y2Ba1×2gydF4y2Ba5000 363gydF4y2Ba

5000個のメジパッチがあり，それぞれに363個の特徴量が含まれています。gydF4y2Ba

100個の特徴量をデタから抽出します。gydF4y2Ba

rnggydF4y2Ba默认的gydF4y2Ba%用于再现性gydF4y2BaQ = 100;Mdl = rica(数据。X,问,gydF4y2Ba“IterationLimit”gydF4y2Ba, 100)gydF4y2Ba

警告:解算器LBFGS不能收敛到一个解。gydF4y2Ba

Mdl = ReconstructionICA模型参数:[1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] NonGaussianityIndicator: [100x1 double]属性，方法gydF4y2Ba

ステップサ超市超市ズの制限または勾配サ超市超市ズの制限に達したのではなく反復制限に達したために停止したので，gydF4y2Ba黎加gydF4y2Baは警告を発します。しかし，関数gydF4y2Ba变换gydF4y2Baを呼び出すことにより，返されたオブジェクトに含まれている学習済み特徴量を使用できます。gydF4y2Ba

入力引数gydF4y2Ba

すべて折りたたむgydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba予測子デ，タgydF4y2Ba
数値行列gydF4y2Ba|gydF4y2BaテブルgydF4y2Ba

予測子デ，タ。n行 p 列の数値行列またはテーブルを指定します。行は各観測値に、列は各予測子変数に対応します。XgydF4y2Baがテ，ブルの場合，そのすべての変数が数値ベクトルでなければなりません。gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba抽出する特徴量の個数gydF4y2Ba
正の整数gydF4y2Ba

予測子デ，タから抽出する特徴量の個数。正の整数を指定します。gydF4y2Ba

黎加gydF4y2Baは，p行gydF4y2Ba问gydF4y2Ba列の変換の重み行列をgydF4y2BaMdl。TransformWeightsに格納します。したがって，非常に大きい値をgydF4y2Ba问gydF4y2Baに設定した場合，メモリ消費量が増加し，計算時間が長くなる可能性があります。gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名前と値のペアの引数gydF4y2Ba

オプションのgydF4y2Ba名称,值gydF4y2Ba引数のコンマ区切りペアを指定します。gydF4y2Ba的名字gydF4y2Baは引数名で，gydF4y2Ba价值gydF4y2Baは対応する値です。gydF4y2Ba的名字gydF4y2Baは引用符で囲まなければなりません。gydF4y2BaName1, Value1,…,的家gydF4y2Baのように，複数の名前と値のペアの引数を，任意の順番で指定できます。gydF4y2Ba

例:gydF4y2BaMdl = rica(X,q，'IterationLimit'，200，'标准化'，true)gydF4y2Baは，最適化反復を200回に制限し，予測子デ，タを標準化して，gydF4y2Ba黎加gydF4y2Baを実行します。gydF4y2Ba

`IterationLimitgydF4y2Ba`- - - - - -gydF4y2Ba最大反復回数gydF4y2Ba
`1000gydF4y2Ba`(既定値) |gydF4y2Ba正の整数gydF4y2Ba

最大反復回数。gydF4y2Ba“IterationLimit”gydF4y2Baと正の整数で構成されるコンマ区切りのペアとして指定します。gydF4y2Ba

例:gydF4y2Ba“IterationLimit”,1 e6gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`VerbosityLevelgydF4y2Ba`- - - - - -gydF4y2Ba詳細レベルgydF4y2Ba
`0gydF4y2Ba`(既定値) |gydF4y2Ba非負の整数gydF4y2Ba

アルゴリズムの収束を監視するための詳細レベル。gydF4y2Ba“VerbosityLevel”gydF4y2Baと次の表の値から構成されるコンマ区切りのペアとして指定します。gydF4y2Ba

値gydF4y2Ba	説明gydF4y2Ba
`0gydF4y2Ba`	`黎加gydF4y2Ba`は収束情報をコマンドラ@ @ンに表示しません。gydF4y2Ba
正の整数gydF4y2Ba	`黎加gydF4y2Ba`は収束情報をコマンドラ@ @ンに表示します。gydF4y2Ba

収束情報gydF4y2Ba

見出しgydF4y2Ba	意味gydF4y2Ba
`有趣的价值gydF4y2Ba`	目的関数の値。gydF4y2Ba
`规范研究生gydF4y2Ba`	目的関数の勾配のノルム。gydF4y2Ba
`标准步骤gydF4y2Ba`	反復ステップのノルム。前の点と現在の点の間の距離を意味します。gydF4y2Ba
`曲线gydF4y2Ba`	`好吧gydF4y2Ba`は弱沃尔夫条件が満たされていることを意味します。この条件は，目的関数の十分な減少と曲率条件の組み合わせです。gydF4y2Ba
`γgydF4y2Ba`	ステップの内積に勾配差分を乗算し，勾配差分と勾配差分自体との内積で除算した値。勾配差分は，現在の点における勾配から前の点における勾配を減算した値です。目的関数の曲率に関する診断情報を提供します。gydF4y2Ba
`αgydF4y2Ba`	ステップ方向乗数。直線探索が実行された場合，gydF4y2Ba`1gydF4y2Ba`以外になります。gydF4y2Ba
`接受gydF4y2Ba`	`是的gydF4y2Ba`は取り得るステップがアルゴリズムで見かったことを意味します。gydF4y2Ba

例:gydF4y2Ba“VerbosityLevel”,1gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`λgydF4y2Ba`- - - - - -gydF4y2Ba正則化係数の値gydF4y2Ba
`1gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

変換の重み行列に対する正則化係数の値。gydF4y2Ba“λ”gydF4y2Baと正の数値スカラ，から構成されるコンマ区切りのペアとして指定します。gydF4y2Ba0gydF4y2Baを指定した場合，目的関数に正則化項は含まれません。gydF4y2Ba

例:gydF4y2Ba“λ”,0.1gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`标准化gydF4y2Ba`- - - - - -gydF4y2Ba予測子デ，タを標準化するためのフラグgydF4y2Ba
`假gydF4y2Ba`(既定値) |gydF4y2Ba`真正的gydF4y2Ba`

予測子デ，タを標準化するためのフラグ。gydF4y2Ba“标准化”gydF4y2BaとgydF4y2Ba真正的gydF4y2Ba（gydF4y2Ba1gydF4y2Ba)またはgydF4y2Ba假gydF4y2Ba（gydF4y2Ba0gydF4y2Ba)から構成されるコンマ区切りのペアとして指定します。gydF4y2Ba

标准化gydF4y2BaがgydF4y2Ba真正的gydF4y2Baの場合，次のようになります。gydF4y2Ba

黎加gydF4y2Baは，予測子デ，タ(gydF4y2BaXgydF4y2Ba)の各列のセンタリングとスケ，リングを，それぞれ列の平均値と標準偏差を使用して行います。gydF4y2Ba
黎加gydF4y2Baは，標準化された予測子行列を使用して新しい特徴量を抽出し，予測子変数の平均および標準偏差をgydF4y2BaMdlgydF4y2BaのgydF4y2BaμgydF4y2BaおよびgydF4y2BaσgydF4y2Baプロパティに格納します。gydF4y2Ba

例:gydF4y2Ba“标准化”,真的gydF4y2Ba

デ，タ型:gydF4y2Ba逻辑gydF4y2Ba

`ContrastFcngydF4y2Ba`- - - - - -gydF4y2Baコントラスト関数gydF4y2Ba
`“logcosh”gydF4y2Ba`(既定値) |gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

コントラスト関数。gydF4y2Ba“logcosh”gydF4y2Ba、gydF4y2Ba“经验”gydF4y2BaまたはgydF4y2Ba“√”gydF4y2Baを指定します。コントラスト関数は，絶対値関数に似ている滑らかな関数です。gydF4y2Ba黎加gydF4y2Baの目的関数には，次の項が含まれます。gydF4y2Ba

${\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{问gydF4y2Ba} \frac{1gydF4y2Ba}{ngydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} ggydF4y2Ba （gydF4y2Ba {wgydF4y2Ba}_{jgydF4y2Ba}^{TgydF4y2Ba} {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

ここで，gはコントラスト関数を表します。wgydF4y2Ba_jgydF4y2Baは最適化の対象となる変数，gydF4y2Ba ${\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba}$ はデ，タです。gydF4y2Ba

次の3のコントラスト関数を使用できます。gydF4y2Ba

“logcosh”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba \frac{1gydF4y2Ba}{2gydF4y2Ba} 日志gydF4y2Ba （gydF4y2Ba coshgydF4y2Ba （gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba$
“经验”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba -gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba \frac{{xgydF4y2Ba}^{2gydF4y2Ba}}{2gydF4y2Ba} ）gydF4y2Ba$
“√”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba \sqrt{{xgydF4y2Ba}^{2gydF4y2Ba} +gydF4y2Ba {10gydF4y2Ba}^{-gydF4y2Ba 8gydF4y2Ba}}$

例:gydF4y2Ba“ContrastFcn”、“经验值”gydF4y2Ba

`InitialTransformWeightsgydF4y2Ba`- - - - - -gydF4y2Ba最適化を初期化する変換の重みgydF4y2Ba
`randn (p, q)gydF4y2Ba`(既定値) |gydF4y2Ba数値行列gydF4y2Ba

最適化を初期化する変換の重み。gydF4y2Ba“InitialTransformWeights”gydF4y2Baとp行gydF4y2Ba问gydF4y2Ba列の数値行列から構成されるコンマ区切りのペアとして指定します。pはgydF4y2BaXgydF4y2Baの列数または変数の個数でなければならず，gydF4y2Ba问gydF4y2BaはgydF4y2Ba问gydF4y2Baの値です。gydF4y2Ba

ヒントgydF4y2Ba

以前に返された変換の重み行列は，再度gydF4y2Ba黎加gydF4y2Baを呼び出すときに初期値として渡すことにより，最適化を継続できます。出力されるモデルオブジェクトgydF4y2BaMdlgydF4y2Baでは，学習済みの変換の重み行列がgydF4y2BaTransformWeightsgydF4y2Baプロパティに格納されます。gydF4y2Ba

例:gydF4y2BaInitialTransformWeights, Mdl。TransformWeightsgydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`NonGaussianityIndicatorgydF4y2Ba`- - - - - -gydF4y2Baソ，スの非ガウス性gydF4y2Ba
`的(q, 1)gydF4y2Ba`(既定値) |gydF4y2Ba±1による長さgydF4y2Ba`问gydF4y2Ba`のベクトルgydF4y2Ba

ソ，スの非ガウス性。±1による長さgydF4y2Ba问gydF4y2Baのベクトルを指定します。gydF4y2Ba

NonGaussianityIndicator(k) = 1gydF4y2Baは,gydF4y2Ba黎加gydF4y2BaがgydF4y2BakgydF4y2Ba番目のソ，スを鋭いピ，クが0にある優ガウス性としてモデル化したことを意味します。gydF4y2Ba
NonGaussianityIndicator(k) = -1gydF4y2Baは,gydF4y2Ba黎加gydF4y2BaがgydF4y2BakgydF4y2Ba番目のソ，スを劣ガウス性としてモデル化したことを意味します。gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`GradientTolerancegydF4y2Ba`- - - - - -gydF4y2Ba勾配ノルムに対する収束の相対許容誤差gydF4y2Ba
`1 e-6gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

勾配ノルムに対する収束の相対許容誤差。gydF4y2Ba“GradientTolerance”gydF4y2Baと正の数値スカラ，から構成されるコンマ区切りのペアとして指定します。この勾配は目的関数の勾配です。gydF4y2Ba

例:gydF4y2Ba“GradientTolerance”,1的军医gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`StepTolerancegydF4y2Ba`- - - - - -gydF4y2Baステップサ@ @ズに対する収束の絶対許容誤差gydF4y2Ba
`1 e-6gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

ステップサ@ @ズに対する収束の絶対許容誤差。gydF4y2Ba“StepTolerance”gydF4y2Baと正の数値スカラ，から構成されるコンマ区切りのペアとして指定します。gydF4y2Ba

例:gydF4y2Ba“StepTolerance”,1的军医gydF4y2Ba

デ，タ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

出力引数gydF4y2Ba

すべて折りたたむgydF4y2Ba

`MdlgydF4y2Ba`-学習済みの再構成icaモデルgydF4y2Ba
`ReconstructionICAgydF4y2Ba`モデルオブジェクトgydF4y2Ba

学習済みの再構成icaモデル。gydF4y2BaReconstructionICAgydF4y2Baモデルオブジェクトとして返されます。gydF4y2Ba

MdlgydF4y2Baのプロパティにアクセスするには，ドット表記を使用します。以下に例を示します。gydF4y2Ba

学習済みの変換の重みにアクセスするには，gydF4y2BaMdl。TransformWeightsを使用します。gydF4y2Ba
あてはめ情報の構造体にアクセスするには，gydF4y2BaMdl。FitInfogydF4y2Baを使用します。gydF4y2Ba

アルゴリズムgydF4y2Ba

関数gydF4y2Ba黎加gydF4y2Baは，入力特徴量から出力特徴量への線形変換を作成します。この変換は,出力特徴量の統計的な独立性と出力特徴量を使用した入力特徴量の再構成能力とを大体釣り合わせるような非線形目的関数の最適化をベースにしています。gydF4y2Ba

詳細は，gydF4y2Ba再構成icaアルゴリズムgydF4y2Baを参照してください。gydF4y2Ba

参考gydF4y2Ba

sparsefiltgydF4y2Ba|gydF4y2Ba变换gydF4y2Ba|gydF4y2BaReconstructionICAgydF4y2Ba

トピックgydF4y2Ba

R2017aで導入gydF4y2Ba

黎加gydF4y2Ba

構文gydF4y2Ba

説明gydF4y2Ba

例gydF4y2Ba

再構成icaオブジェクトの作成gydF4y2Ba

入力引数gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba予測子デ，タgydF4y2Ba
数値行列gydF4y2Ba|gydF4y2BaテブルgydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba抽出する特徴量の個数gydF4y2Ba
正の整数gydF4y2Ba

名前と値のペアの引数gydF4y2Ba

`IterationLimitgydF4y2Ba`- - - - - -gydF4y2Ba最大反復回数gydF4y2Ba
`1000gydF4y2Ba`(既定値) |gydF4y2Ba正の整数gydF4y2Ba

`VerbosityLevelgydF4y2Ba`- - - - - -gydF4y2Ba詳細レベルgydF4y2Ba
`0gydF4y2Ba`(既定値) |gydF4y2Ba非負の整数gydF4y2Ba

`λgydF4y2Ba`- - - - - -gydF4y2Ba正則化係数の値gydF4y2Ba
`1gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

`标准化gydF4y2Ba`- - - - - -gydF4y2Ba予測子デ，タを標準化するためのフラグgydF4y2Ba
`假gydF4y2Ba`(既定値) |gydF4y2Ba`真正的gydF4y2Ba`

`ContrastFcngydF4y2Ba`- - - - - -gydF4y2Baコントラスト関数gydF4y2Ba
`“logcosh”gydF4y2Ba`(既定値) |gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

`InitialTransformWeightsgydF4y2Ba`- - - - - -gydF4y2Ba最適化を初期化する変換の重みgydF4y2Ba
`randn (p, q)gydF4y2Ba`(既定値) |gydF4y2Ba数値行列gydF4y2Ba

`NonGaussianityIndicatorgydF4y2Ba`- - - - - -gydF4y2Baソ，スの非ガウス性gydF4y2Ba
`的(q, 1)gydF4y2Ba`(既定値) |gydF4y2Ba±1による長さgydF4y2Ba`问gydF4y2Ba`のベクトルgydF4y2Ba

`GradientTolerancegydF4y2Ba`- - - - - -gydF4y2Ba勾配ノルムに対する収束の相対許容誤差gydF4y2Ba
`1 e-6gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

`StepTolerancegydF4y2Ba`- - - - - -gydF4y2Baステップサ@ @ズに対する収束の絶対許容誤差gydF4y2Ba
`1 e-6gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

出力引数gydF4y2Ba

`MdlgydF4y2Ba`-学習済みの再構成icaモデルgydF4y2Ba
`ReconstructionICAgydF4y2Ba`モデルオブジェクトgydF4y2Ba

アルゴリズムgydF4y2Ba

参考gydF4y2Ba

トピックgydF4y2Ba

统计和机器学习工具箱ドキュメンテ，ションgydF4y2Ba

サポトgydF4y2Ba

機械学習をマスタする:matlabステップ·バステップガドgydF4y2Ba

黎加gydF4y2Ba

構文gydF4y2Ba

説明gydF4y2Ba

例gydF4y2Ba

再構成icaオブジェクトの作成gydF4y2Ba

入力引数gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba予測子デ，タgydF4y2Ba数値行列gydF4y2Ba|gydF4y2BaテブルgydF4y2Ba

问gydF4y2Ba- - - - - -gydF4y2Ba抽出する特徴量の個数gydF4y2Ba正の整数gydF4y2Ba

名前と値のペアの引数gydF4y2Ba

IterationLimitgydF4y2Ba- - - - - -gydF4y2Ba最大反復回数gydF4y2Ba1000gydF4y2Ba(既定値) |gydF4y2Ba正の整数gydF4y2Ba

VerbosityLevelgydF4y2Ba- - - - - -gydF4y2Ba詳細レベルgydF4y2Ba0gydF4y2Ba(既定値) |gydF4y2Ba非負の整数gydF4y2Ba

λgydF4y2Ba- - - - - -gydF4y2Ba正則化係数の値gydF4y2Ba1gydF4y2Ba(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

标准化gydF4y2Ba- - - - - -gydF4y2Ba予測子デ，タを標準化するためのフラグgydF4y2Ba假gydF4y2Ba(既定値) |gydF4y2Ba真正的gydF4y2Ba

ContrastFcngydF4y2Ba- - - - - -gydF4y2Baコントラスト関数gydF4y2Ba“logcosh”gydF4y2Ba(既定値) |gydF4y2Ba“经验”gydF4y2Ba|gydF4y2Ba“√”gydF4y2Ba

InitialTransformWeightsgydF4y2Ba- - - - - -gydF4y2Ba最適化を初期化する変換の重みgydF4y2Barandn (p, q)gydF4y2Ba(既定値) |gydF4y2Ba数値行列gydF4y2Ba

NonGaussianityIndicatorgydF4y2Ba- - - - - -gydF4y2Baソ，スの非ガウス性gydF4y2Ba的(q, 1)gydF4y2Ba(既定値) |gydF4y2Ba±1による長さgydF4y2Ba问gydF4y2BaのベクトルgydF4y2Ba

GradientTolerancegydF4y2Ba- - - - - -gydF4y2Ba勾配ノルムに対する収束の相対許容誤差gydF4y2Ba1 e-6gydF4y2Ba(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

StepTolerancegydF4y2Ba- - - - - -gydF4y2Baステップサ@ @ズに対する収束の絶対許容誤差gydF4y2Ba1 e-6gydF4y2Ba(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

出力引数gydF4y2Ba

MdlgydF4y2Ba-学習済みの再構成icaモデルgydF4y2BaReconstructionICAgydF4y2BaモデルオブジェクトgydF4y2Ba

アルゴリズムgydF4y2Ba

参考gydF4y2Ba

トピックgydF4y2Ba

统计和机器学习工具箱ドキュメンテ，ションgydF4y2Ba

サポトgydF4y2Ba

機械学習をマスタする:matlabステップ·バステップガドgydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba予測子デ，タgydF4y2Ba
数値行列gydF4y2Ba|gydF4y2BaテブルgydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba抽出する特徴量の個数gydF4y2Ba
正の整数gydF4y2Ba

`IterationLimitgydF4y2Ba`- - - - - -gydF4y2Ba最大反復回数gydF4y2Ba
`1000gydF4y2Ba`(既定値) |gydF4y2Ba正の整数gydF4y2Ba

`VerbosityLevelgydF4y2Ba`- - - - - -gydF4y2Ba詳細レベルgydF4y2Ba
`0gydF4y2Ba`(既定値) |gydF4y2Ba非負の整数gydF4y2Ba

`λgydF4y2Ba`- - - - - -gydF4y2Ba正則化係数の値gydF4y2Ba
`1gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

`标准化gydF4y2Ba`- - - - - -gydF4y2Ba予測子デ，タを標準化するためのフラグgydF4y2Ba
`假gydF4y2Ba`(既定値) |gydF4y2Ba`真正的gydF4y2Ba`

`ContrastFcngydF4y2Ba`- - - - - -gydF4y2Baコントラスト関数gydF4y2Ba
`“logcosh”gydF4y2Ba`(既定値) |gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

`InitialTransformWeightsgydF4y2Ba`- - - - - -gydF4y2Ba最適化を初期化する変換の重みgydF4y2Ba
`randn (p, q)gydF4y2Ba`(既定値) |gydF4y2Ba数値行列gydF4y2Ba

`NonGaussianityIndicatorgydF4y2Ba`- - - - - -gydF4y2Baソ，スの非ガウス性gydF4y2Ba
`的(q, 1)gydF4y2Ba`(既定値) |gydF4y2Ba±1による長さgydF4y2Ba`问gydF4y2Ba`のベクトルgydF4y2Ba

`GradientTolerancegydF4y2Ba`- - - - - -gydF4y2Ba勾配ノルムに対する収束の相対許容誤差gydF4y2Ba
`1 e-6gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

`StepTolerancegydF4y2Ba`- - - - - -gydF4y2Baステップサ@ @ズに対する収束の絶対許容誤差gydF4y2Ba
`1 e-6gydF4y2Ba`(既定値) |gydF4y2Ba正の数値スカラgydF4y2Ba

`MdlgydF4y2Ba`-学習済みの再構成icaモデルgydF4y2Ba
`ReconstructionICAgydF4y2Ba`モデルオブジェクトgydF4y2Ba