范囲

bayesoptでは，すべてのの数でが股本有分类変数は可能な値に限定されます)。実数値または整数値の変数の下限と上限はoptimizableVariableで渡します。

bayesoptは,これらの範囲を使用して均等または対数スケールで点を抽出します。抽出のスケールはoptimizableVariableで設定します。

たとえば,変数X1をを数スケールで1 e-6と1 e3の間の値に制約するには,次のようにします。

XVAR =优化不变（X1的(1 e-6, 1 e3),'转变'，“日志”）

bayesoptは端点を範囲に含めます。したがって,対数変換される変数の下限として0を使用することはできません。

確定的制約-xconstraintfcn.

問題が有効,または明確に定義されている状態が“実行可领域”と呼ばれる特定の領域内の点についてのみの場合があります。確定的制約は,点が実行可能な場合は真的を,実行不可能な場合は假を返す確定的関数です。したがって,確定的制約は確率的ではありません。また,点のグループではなく個々の点の関数です。

確定的制約関数を記述するには,次のシグネチャを使用します。

tf = xconstraint (X)

確定的制約関数は,bayesoptの名前と値のペアxconstraintfcn.で渡します。たとえば,以下のようにします。

结果= bayesopt(乐趣、var XConstraintFcn, @xconstraint)

bayesopt[ベクトル化を参照してください。

たとえば,x1的および“x2”という名前の数は，ベクトル(x1, x2))のノルムが6未満でx1 < = x2の場合に実行可能であるとします。次の制約関数はこれらの制約を評価します。

功能tf = xconstraint（x）tf1 = sqrt（x.x1。^ 2 + x.x2。^ 2）<6;tf2 = x.x1 <= x.x2;tf = tf1＆tf2;

条件付き制約-ConditionalVariableFcn

条件条件制约は，次の2つの条件のいずれか适适适适。

条件付き制約を指定するには,bayesoptの名前と値のペアConditionalVariableFcnを@condvariablefcnなどの関数ハンドルに設定します。@condvariablefcnの関数のシグネチャは次のようになっていなければなりません。

Xnew = condvariablefcn (X)

condvariablefcnでは,Xに等しくなるようにXnewをを设定します，さらにXnewの各行の該当する変数を制約にかなった値に設定します。

功能xtable = fitcdiscrcvf（xtable）如果判别类型是二次型，% Gamma必须是0XTable.Gamma (ismember (XTable。DiscrimType, {'二次'，．..“diagQuadratic”，'pseudoquadratic'})) = 0;结束

功能Xnew = condvariablefcn(X);Xnew.PolynomialOrder (Xnew。KernelFunction ~ ='多项式'）=楠;

功能X = condvariablefcn(X)KernelFunction ~ ='多项式'）=楠;

有趣= @ (X) mysvmfun (X,预测反应,c)功能mysvmfun(X,predictors,response,c)的用法和样例:．..'cvpartition'，C，．..'骨箱'，x.kernelfunction};如果〜isnan（x.polynomialorder）args = [args，{“PolynomialOrder”，x.polynomialorder}];结束目标= kfoldloss（fitcsvm（args {：}））;结束

連結制約

“连结连结”は，目的关键词ことのみ评価评価制约です。これら制约ははますことができますます。ベイズベイズ适化物相关的关联を参照してください。

目的関数は,各連結制約について1つずつエントリがある,連結制約の数値ベクトルを返します。各エントリで,負の値は制約が満たされること(実行可能とも呼びます)を示します。正の値は制約が満たされないこと(実行不可能)を示します。

bayesoptは，エラーエラー制约と呼ば呼ば连结制约をすべてのの実でで制约に作作作作者youls。bayesoptでモデル化できます。詳細については,目的関数のエラーとpredictErrorを参照してください。

エラー制約に加えて連結制約がある場合,

各反復における連結制約の値を確認するには,bayesoptの名前と値のペアverbを1または2に設定します。

たとえば,連結制約があるベイズ最適化を参照してください。

連結制約があるベイズ最適化

連結制約は,目的関数を評価することによってのみ評価できる制約です。このケースでは,目的関数はSVMモデルの交差検証損失です。連結制約は「サポート ベクターの個数が 100 を超えない」です。モデルの詳細については、bayesoptを使用した交差検証済みSVM分類器の最適化を参照してください。

rng.默认的grnpop = mvnrnd((1,0)、眼睛(2),10);redpop = mvnrnd([0, 1],眼(2),10);redpts = 0 (100 2);grnpts = redpts;为i = 1:10 0 grnpts(我:)= mvnrnd (grnpop(兰迪(10):)、眼睛(2)* 0.02);redpts(我)= mvnrnd (redpop(兰迪(10):)、眼睛(2)* 0.02);结束cdata = [grnpts; redpts];grp = 1 (200 1);grp (101:200) = 1;c = cvpartition (200“KFold”10);σ= optimizableVariable (“σ”(1 e-5, 1 e5),'转变'，“日志”）;盒= optimizableVariable (“盒子”(1 e-5, 1 e5),'转变'，“日志”）;

功能[目的，约束] = MySvmfun（x，cdata，grp，c）svmmodel = fitcsvm（cdata，grp，'骨箱'，“rbf”，．..“BoxConstraint”，x.box，．..“KernelScale”，x.sigma）;cvmodel = crossval（svmmodel，'cvpartition'c);目标= kfoldLoss (cvModel);约束=总和(SVMModel.IsSupportVect金宝appor) -100.5;

fun = @（x）mysvmfun（x，cdata，grp，c）;

结果= bayesopt(有趣,σ,盒子,“IsObjectiveDeterministic”,真的,．..“NumCoupledConstraints”，1，'plotfcn'，．..{@plotMinObjective, @plotConstraintModels},．..“AcquisitionFunctionName”，'预期改善 - 加'，“详细”，0）;