bayesopt

选择最优的机器学习hyperparameters使用贝叶斯优化

所有的页面崩溃

语法

结果= bayesopt(有趣,var)

结果= bayesopt(有趣,var、名称、值)

描述

例子

结果= bayesopt (有趣的,var)试图找到的值var,减少乐趣(var)。

请注意

包括额外的参数的目标函数,看看参数化功能。

例子

结果= bayesopt (有趣的,var,名称,值)修改显示优化过程名称,值参数。

例子

全部折叠

创建一个`BayesianOptimization`对象使用`bayesopt`

打开生活的脚本

这个例子显示了如何创建一个BayesianOptimization对象的使用bayesopt交叉验证损失减小到最低限度。

优化hyperparameters的资讯分类器电离层数据,也就是说,找到资讯hyperparameters,交叉验证损失最小化。有bayesopt减少在接下来hyperparameters:

Nearest-neighborhood大小从1到30
距离函数“chebychev”,“欧几里得”,闵可夫斯基的。

设置随机种子,再现性设置分区,并设置AcquisitionFunctionName选项“expected-improvement-plus”。抑制迭代显示、设置“详细”来0。通过分区c和拟合数据X和Y的目标函数有趣的通过创建有趣的一个匿名函数,包含这些数据。看到参数化功能。

负载电离层rng默认的num = optimizableVariable (“n”(1、30),“类型”,“整数”);dst = optimizableVariable (dst的,{“chebychev”,“欧几里得”,闵可夫斯基的},“类型”,“分类”);c = cvpartition (351“Kfold”5);有趣= @ (x) kfoldLoss (fitcknn (x, Y,“CVPartition”c“NumNeighbors”x.n,…“距离”char (x.dst),“NSMethod”,“详尽”));结果= bayesopt(有趣,(num, dst),“详细”0,…“AcquisitionFunctionName”,“expected-improvement-plus”)

图包含一个坐标轴对象。坐标轴对象与标题目标函数模型,包含n, ylabel dst包含5线类型的对象,表面轮廓。一个或多个行显示的值只使用这些对象标记代表观察到的点,模型的意思是,下一个点,最小可行的模式。

图包含一个坐标轴对象。坐标轴对象与标题最小目标与功能评估,包含功能评估,ylabel最小目标包含2线类型的对象。这些对象代表分钟观察目标,估计最小的目标。

结果= BayesianOptimization属性:ObjectiveFcn: @ (x) kfoldLoss (fitcknn (x, Y, CVPartition, c, NumNeighbors, x.n,‘距离’,char (x.dst),“NSMethod”,“详尽”))VariableDescriptions: [1 x2 optimizableVariable]选项:[1 x1 struct] MinObjective: 0.1197 XAtMinObjective: [1 x2表]MinEstimatedObjective: 0.1213 XAtMinEstimatedObjective: [1 x2表]NumObjectiveEvaluations: 30 TotalElapsedTime: 53.9077 NextPoint: [1 x2表]XTrace: [30 x2表]ObjectiveTrace: [30 x1双]ConstraintsTrace: [] UserDataTrace: {30 x1细胞}ObjectiveEvaluationTimeTrace: [30 x1双]IterationTimeTrace: [30 x1双]ErrorTrace: [30 x1双]FeasibilityTrace: [30 x1逻辑]FeasibilityProbabilityTrace: [30 x1双]IndexOfMinimumTrace: [30 x1双]ObjectiveMinimumTrace: [30 x1双]EstimatedObjectiveMinimumTrace: [30 x1双]

贝叶斯与耦合约束优化

打开脚本

耦合约束,只能通过评估来评估目标函数。在这种情况下,目标函数是旨在支持向量机模型的损失。耦合约束是支持向量的个数不超过100。万博1manbetx模型的细节优化旨在使用bayesopt分类器。

创建的数据分类。

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),“转换”,“日志”);盒= optimizableVariable (“盒子”(1 e-5, 1 e5),“转换”,“日志”);

目标函数的支持向量机模型的交叉验证损失分区c。耦合约束是支持向量的个数- 100.5。万博1manbetx这将确保100支持向量给负约束值,但101年万博1manbetx支持向量给出一个积极的价值。模型200数据点,所以耦合约束值的范围从-99.5(总有至少一个支持向量)至99.5。万博1manbetx积极的价值观约束是不满足。

函数(目标、约束)= mysvmfun (x, cdata, grp, c) SVMModel = fitcsvm (grp cdata,“KernelFunction”,“rbf”,…“BoxConstraint”x.box,…“KernelScale”,x.sigma);cvModel = crossval (SVMModel,“CVPartition”c);目标= kfoldLoss (cvModel);约束=总和(SVMModel.IsSupportVect万博1manbetxor) -100.5;

通过分区c和拟合数据cdata和grp的目标函数有趣的通过创建有趣的一个匿名函数,包含这些数据。看到参数化功能。

有趣= @ (x) mysvmfun (x, cdata, grp, c);

设置NumCoupledConstraints来1因此,优化器知道耦合约束。情节设置选项约束模型。

结果= bayesopt(有趣,σ,盒子,“IsObjectiveDeterministic”,真的,…“NumCoupledConstraints”,1“PlotFcn”,…{@plotMinObjective, @plotConstraintModels},…“AcquisitionFunctionName”,“expected-improvement-plus”,“详细”,0);

大多数点导致支持向量的数目不可行。万博1manbetx

平行的贝叶斯优化

这个示例使用:

打开生活的脚本

通过使用并行提高贝叶斯优化的速度目标函数评价。

准备贝叶斯优化变量和目标函数。

目标函数是电离层数据交叉验证错误率,二进制分类问题。使用fitcsvm作为分类器BoxConstraint和KernelScale参数优化。

负载电离层盒= optimizableVariable (“盒子”(1的军医,1 e3),“转换”,“日志”);kern = optimizableVariable (“仁”(1的军医,1 e3),“转换”,“日志”);var =(盒子,kern);有趣= @ (var) kfoldLoss (fitcsvm (X, Y,“BoxConstraint”vars.box,“KernelScale”vars.kern,…“Kfold”5));

搜索的参数给最低的交叉验证错误,使用并行贝叶斯优化。

结果= bayesopt (var,有趣“UseParallel”,真正的);

复制目标函数工人……完成目标函数复制到工人。

| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | Iter |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时|(观察)| (estim) | | | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 1 | 2 |接受| 0.2735 | 0.56171 | 0.13105 | 0.13108 | 0.0002608 | 0.2227 | | 2 | 2 |接受| 0.35897 | 0.4062 | 0.13105 | 0.13108 | 3.6999 | 344.01 | | 3 | 2 |接受| 0.13675 | 0.42727 | 0.13105 | 0.13108 | 0.33594 | 0.39276 | | 4 | 2 |接受| 0.35897 | 0.4453 | 0.13105 | 0.13108 | 0.014127 | 449.58 | | 5 | 2 |的| 0.13105 | 0.45503 | 0.13105 | 0.13108 | 0.29713 | 1.0859 |

| 6 | 6 |接受| 0.35897 | 0.16605 | 0.13105 | 0.13108 | 8.1878 | 256.9 |

最好| 7 | 5 | | 0.11396 | 0.51146 | 0.11396 | 0.11395 | 8.7331 | 0.7521 | | 8 | 5 |接受| 0.14245 | 0.24943 | 0.11396 | 0.11395 | 0.0020774 | 0.022712 |

最好| 9 | 6 | | 0.10826 | 4.0711 | 0.10826 | 0.10827 | 0.0015925 | 0.0050225 |

| 10 | 6 |接受| 0.25641 | 16.265 | 0.10826 | 0.10829 | 0.00057357 | 0.00025895 |

| | 6 | 11日接受| 0.1339 | 15.581 | 0.10826 | 0.10829 | 1.4553 | 0.011186 |

| 12 | 6 |接受| 0.16809 | 19.585 | 0.10826 | 0.10828 | 0.26919 | 0.00037649 |

| 13 | 6 |接受| 0.20513 | 18.637 | 0.10826 | 0.10828 | 369.59 | 0.099122 |

| | 6 | 14日接受| 0.12536 | 0.11382 | 0.10826 | 0.10829 | 5.7059 | 2.5642 |

| 15 | 6 |接受| 0.13675 | 2.63 | 0.10826 | 0.10828 | 984.19 | 2.2214 |

| 16 | 6 |接受| 0.12821 | 2.0743 | 0.10826 | 0.11144 | 0.0063411 | 0.0090242 |

| | 6 | 17日接受| 0.1339 | 0.1939 | 0.10826 | 0.11302 | 0.00010225 | 0.0076795 |

18岁| | 6 |接受| 0.12821 | 0.20933 | 0.10826 | 0.11376 | 7.7447 | 1.2868 |

| | 4 | 19日接受| 0.55556 | 17.564 | 0.10826 | 0.10828 | 0.0087593 | 0.00014486 | | 20 | 4 |接受| 0.1396 | 16.473 | 0.10826 | 0.10828 | 0.054844 | 0.004479 | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | Iter |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时|(观察)| (estim) | | | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | 4 | 21日接受| 0.1339 | 0.17127 | 0.10826 | 0.10828 | 9.2668 | 1.2171 |

| | 4 | 22日接受| 0.12821 | 0.089065 | 0.10826 | 0.10828 | 12.265 | 8.5455 |

| | 4 | 23日接受| 0.12536 | 0.073586 | 0.10826 | 0.10828 | 1.3355 | 2.8392 |

| | 4 | 24日接受| 0.12821 | 0.08038 | 0.10826 | 0.10828 | 131.51 | 16.878 |

| | 3 | 25日接受| 0.11111 | 10.687 | 0.10826 | 0.10867 | 1.4795 | 0.041452 | | | 3 | 26日接受| 0.13675 | 0.18626 | 0.10826 | 0.10867 | 2.0513 | 0.70421 |

| | 6 | 27日接受| 0.12821 | 0.078559 | 0.10826 | 0.10868 | 980.04 | 44.19 |

| | 5 | 28日接受| 0.33048 | 0.089844 | 0.10826 | 0.10843 | 0.41821 | 10.208 | | | 5 | 29日接受| 0.16239 | 0.12688 | 0.10826 | 0.10843 | 172.39 | 141.43 |

| 30 | 5 |接受| 0.11966 | 0.14597 | 0.10826 | 0.10846 | 639.15 | 14.75 |

__________________________________________________________优化完成。MaxObjectiveEvaluations 30。总功能评估:30总运行时间:48.2085秒。总目标函数评价时间:128.3472最佳观察可行点:盒子kern替0.0015925 - 0.0050225观察目标函数值= 0.10826估计目标函数值= 0.10846时间评估函数= 4.0711最佳估计可行点(根据模型):盒子kern替0.0015925 - 0.0050225估计目标函数值= 0.10846估计时间评估函数= 2.8307

回报最好的可行点贝叶斯模型结果通过使用bestPoint函数。使用默认的标准min-visited-upper-confidence-interval,决定了最佳可行点的访问点最小化目标函数值较高的置信区间。

zb = bestPoint(结果)

zb =1×2表盒子kern替0.0015925 - 0.0050225

表zb包含最优估计的值“BoxConstraint”和“KernelScale”名称-值对参数。使用这些值来训练新的分类器进行了优化。

Mdl = fitcsvm (X, Y,“BoxConstraint”zbest.box,“KernelScale”,zbest.kern);

观察到的最优参数Mdl。

Mdl.BoxConstraints (1)

ans = 0.0016

Mdl.KernelParameters.Scale

ans = 0.0050

输入参数

全部折叠

`有趣的`- - - - - -目标函数
函数处理|`parallel.pool.Constant`谁的`价值`是一个函数处理

目标函数,指定为一个函数处理,或者当UseParallel名称-值对是真正的,一个parallel.pool.Constant(并行计算工具箱)谁的价值是一个函数处理。通常情况下,有趣的返回一个衡量的损失(如误分类错误)的机器学习模型可调hyperparameters控制培训。有趣的这些签名:

目标=乐趣(x)%或(目标、约束)(x) =乐趣%或(目标、约束、用户数据)(x) =乐趣

有趣的接受x,1 -D表变量值,并返回客观的,一个真正的标量表示目标函数值有趣的(x)。

可选地,有趣的返回:

约束,一个真正的矢量耦合约束违反。一个定义,请参阅耦合约束。约束(j) > 0意味着约束j是违反了。约束(j) < 0意味着约束j是满意的。
用户数据任何类型的一个实体(如一个标量、矩阵、结构或对象)。为自定义绘制函数,使用的一个例子用户数据,请参阅创建一个自定义的函数。

有关详细信息,使用parallel.pool.Constant与bayesopt,请参阅将目标函数在工人。

例子:@objfun

数据类型:function_handle

`var`- - - - - -变量描述
向量的`optimizableVariable`对象定义hyperparameters调谐

变量描述,指定为一个向量的optimizableVariable对象定义hyperparameters调谐。

例子:(X1, X2),在那里X1和X2是optimizableVariable对象

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:结果= bayesopt(乐趣、var AcquisitionFunctionName, expected-improvement-plus)

算法控制

全部折叠

`AcquisitionFunctionName`- - - - - -函数来选择下一个评估点
`“expected-improvement-per-second-plus”`(默认)|`“expected-improvement”`|`“expected-improvement-plus”`|`“expected-improvement-per-second”`|`“lower-confidence-bound”`|`“probability-of-improvement”`

函数来选择下一个评估点,指定为一个上市的选择。

他们的名字包括采集功能每秒不产生可重复的结果,因为优化取决于目标函数的运行时。他们的名字包括采集功能+修改他们的行为当他们overexploiting面积。更多细节,请参阅获取函数类型。

例子:“AcquisitionFunctionName”、“expected-improvement-per-second”

`IsObjectiveDeterministic`- - - - - -指定确定的目标函数
`假`(默认)|`真正的`

指定确定目标函数,指定为假或真正的。如果有趣的是随机的(也就是说,有趣的(x)可以返回不同的值是一样的吗x),然后设置IsObjectiveDeterministic来假。在这种情况下,bayesopt在优化估计噪声水平。

例子:“IsObjectiveDeterministic”,真的

数据类型:逻辑

`ExplorationRatio`- - - - - -探索倾向
`0.5`(默认)|积极的现实

倾向于探索,指定为一个积极的现实。适用于“expected-improvement-plus”和“expected-improvement-per-second-plus”采集功能。看到+。

例子:“ExplorationRatio”, 0.2

数据类型:双

`GPActiveSetSize`- - - - - -符合高斯过程模型`GPActiveSetSize`或更少点
`300年`(默认)|正整数

符合高斯过程模型GPActiveSetSize或更少点,指定为一个正整数。当bayesopt已经访问了超过GPActiveSetSize点,后续迭代使用GP模型适应模型GPActiveSetSize点。bayesopt选择分均匀随机访问点之间不重复。使用更少的点会导致更快的GP模型拟合,以牺牲可能不准确拟合。

例子:“GPActiveSetSize”, 80年

数据类型:双

`UseParallel`- - - - - -并行计算
`假`(默认)|`真正的`

并行计算,指定为假(不要并行计算)真正的(并行计算)。并行计算需要并行计算工具箱™。

bayesopt对并行执行并行目标函数同时评估工人。算法细节,请参阅平行的贝叶斯优化。

例子:“UseParallel”,真的

数据类型:逻辑

`ParallelMethod`- - - - - -归责方法并行工作目标函数值
`“clipped-model-prediction”`(默认)|`模型预测的`|`“max-observed”`|`“min-observed”`

归责方法并行工作目标函数值,指定为“clipped-model-prediction”,模型预测的,“max-observed”,或“min-observed”。生成一个新的点评价,bayesopt适合所有点的高斯过程,包括工人的点被评估。以适应过程,bayesopt背景为分目标函数值,目前工人。ParallelMethod指定用于归责方法。

“clipped-model-prediction”-转嫁的最大数量:
- 意思是高斯过程预测点x
- 最低可行点之间观察到目标函数访问
- 最小模型预测在所有可行点
模型预测的——嫁祸于均值高斯过程预测点x。
“max-observed”——嫁祸于可行点之间的最大观测目标函数值。
“min-observed”——转嫁中观察到的目标函数值最小的可行点。

例子:“ParallelMethod”、“max-observed”

`MinWorkerUtilization`- - - - - -宽容活跃平行的工人
`地板(0.8 * Nworkers)`(默认)|正整数

宽容在活动并行的工人的数量,指定为一个正整数。后bayesopt分配一个点来评估,计算一个新的指向分配之前,它会检查是否不足MinWorkerUtilization工人是活跃的。如果是这样,bayesopt分配随机点在允许范围内所有可用的工人。否则,bayesopt计算出最好的一名工人。bayesopt创建随机点速度远远超过安装点,所以这种行为会导致更高的工人,利用的成本可能穷点。有关详细信息,请参见平行的贝叶斯优化。

例子:“MinWorkerUtilization”, 3

数据类型:双

启动和停止

全部折叠

`MaxObjectiveEvaluations`- - - - - -目标函数评价限制
`30.`(默认)|正整数

目标函数评价极限,指定为一个正整数。

例子:“MaxObjectiveEvaluations”, 60

数据类型:双

`MaxTime`- - - - - -时间限制
`正`(默认)|积极的现实

时间限制,指定为一个积极的现实。时间限制在几秒钟内,作为衡量抽搐和toc。

运行时可超过MaxTime因为bayesopt不中断功能评估。

例子:“MaxTime”, 3600年

数据类型:双

`NumSeedPoints`- - - - - -最初的评估点的数量
`4`(默认)|正整数

最初的评估点,指定为一个正整数。bayesopt选择这些点范围内随机变量,根据设置的变换设置为每个变量(制服“没有”,对数间隔“日志”)。

例子:“NumSeedPoints”, 10

数据类型:双

约束

全部折叠

`XConstraintFcn`- - - - - -确定性约束变量
`[]`(默认)|函数处理

确定性约束变量指定为一个函数处理。

有关详细信息,请参见确定的约束——XConstraintFcn。

例子:XConstraintFcn, @xconstraint

数据类型:function_handle

`ConditionalVariableFcn`- - - - - -条件变量约束
`[]`(默认)|函数处理

条件变量约束,指定为一个函数处理。

有关详细信息,请参见有条件的约束,ConditionalVariableFcn。

例子:ConditionalVariableFcn, @condfun

数据类型:function_handle

`NumCoupledConstraints`- - - - - -数量的耦合约束
`0`(默认)|正整数

耦合约束,指定为一个正整数。有关详细信息,请参见耦合约束。

请注意

NumCoupledConstraints当你有需要耦合约束。

例子:“NumCoupledConstraints”, 3

数据类型:双

`AreCoupledConstraintsDeterministic`- - - - - -指示是否耦合约束是决定性的
`真正的`对于所有耦合约束(默认)|逻辑向量

指示是否耦合约束是决定性的,指定为一个逻辑向量的长度NumCoupledConstraints。有关详细信息,请参见耦合约束。

例子:“AreCoupledConstraintsDeterministic”(真的,假,真的)

数据类型:逻辑

报告、阴谋和停止

全部折叠

`详细的`- - - - - -命令行显示水平
`1`(默认)|`0`|`2`

命令行显示水平,指定为0,1,或2。

0——没有命令行显示。
1——在每一次迭代,显示迭代数,结果报告(见下一段),目标函数模型,目标函数评价时间、最佳(最低)观察到的目标函数值,最好的(最低)估计目标函数值,观察到的约束值(如果有的话)。并行优化的时候,还包括显示一列显示活动工人的数量,计算后将工作分配给下一个工人。
每次迭代的结果报告是下列之一:
- 接受——目标函数返回一个有限值,所有约束都满意。
- 最好的——满足约束条件和目标函数返回可行点间的最小值。
- 错误——目标函数返回值不是一个有限的标量。
- Infeas——至少有一个约束违反。
2- - - - - -一样1,增加诊断信息,如时间来选择下一个点,模型拟合,表明“+”收购函数声明overexploiting和并行工人被分配到随机点由于平行利用率较低。

例子:“详细”,2

数据类型:双

`OutputFcn`- - - - - -函数在每次迭代之后
`{}`(默认)|函数处理|处理单元阵列的功能

函数在每次迭代之后,指定为一个函数处理或处理单元阵列的功能。输出函数可以停止解算器,可以执行任意的计算,包括创建变量或策划。指定多个输出函数使用一个函数处理的单元阵列。

有两种内置的输出函数:

@assignInBase构造一个BayesianOptimization实例在每个迭代和将它赋给一个变量的基本工作空间。选择一个变量名称使用SaveVariableName名称-值对。
@saveToFile构造一个BayesianOptimization实例在每个迭代和保存到一个文件在当前文件夹。选择一个文件名使用SaveFileName名称-值对。

您可以编写自己的输出功能。有关详细信息,请参见贝叶斯优化输出功能。

例子:OutputFcn, {@saveToFile @myOutputFunction}

数据类型:细胞|function_handle

`SaveFileName`- - - - - -文件的名称`@saveToFile`输出函数
`“BayesoptResults.mat”`(默认)|特征向量|字符串标量

文件的名称@saveToFile输出函数,指定为一个特征向量或字符串标量。文件名可以包含路径,如“. . /优化/ September2.mat”。

例子:“SaveFileName”、“September2.mat”

数据类型:字符|字符串

`SaveVariableName`- - - - - -变量的名称`@assignInBase`输出函数
`“BayesoptResults”`(默认)|特征向量|字符串标量

变量的名称@assignInBase输出函数,指定为一个特征向量或字符串标量。

例子:“SaveVariableName”、“September2Results”

数据类型:字符|字符串

`PlotFcn`- - - - - -每次迭代后绘制函数
`{@plotObjectiveModel, @plotMinObjective}`(默认)|`“所有”`|函数处理|处理单元阵列的功能

绘制函数在每次迭代之后,指定为“所有”、一个函数处理或处理单元阵列的功能。一块函数可以停止解算器,可以执行任意的计算,包括创建变量,除了策划。

没有情节的函数指定为[]。

“所有”调用所有内置图功能。指定几个情节函数使用一个函数处理的单元阵列。

内置的绘图函数出现在以下表中。

模型图,适用于D≤2时	描述
`@plotAcquisitionFunction`	情节收购功能表面。
`@plotConstraintModels`	绘制每个约束模型表面。负值表示可行点。也画一个P(可行的)表面。还绘制误差模型,如果它存在,范围从`1`来`1`。负值意味着模型可能没有错误,正值意味着它可能错误。该模型是: 绘制错误概率= 2 *(错误)- 1。
`@plotObjectiveEvaluationTimeModel`	画出目标函数评价模型表面。
`@plotObjectiveModel`	画出`有趣的`模型表面,估计最低的位置,和未来的位置提出评估。对于一维问题,情节信封一个可信区间上方和下方的意思是函数,和信封一个噪声标准差上方和下方的意思。

跟踪情节——适用于所有D	描述
`@plotObjective`	阴谋每个观测函数值的数量和功能评估。
`@plotObjectiveEvaluationTime`	阴谋每个观测函数评估运行时的数量和功能评估。
`@plotMinObjective`	图的最小观察和估计函数值的数量和功能评估。
`@plotElapsedTime`	情节三个曲线的总运行时间优化,总时间评估函数,和总建模和时间点的选择,所有的数量和功能评价。

您可以编写自己的函数。有关详细信息,请参见贝叶斯优化情节功能。

请注意

当耦合约束时,迭代显示和情节功能可以给违反直觉的结果如:

一个最低目标可以增加。
优化可以声明一个问题不可行,即使它显示早期可行点。

这种行为的原因是,决定是否一个点是可行的可以改变的优化发展。bayesopt决定就其可行性约束模型,这个模型的变化bayesopt评估点。所以“最低目标”情节时可以增加最小点后认为不可行,并迭代显示可以显示一个可行点,后来被认为是不可行的。

例子:“PlotFcn”、“所有”

数据类型:字符|字符串|细胞|function_handle

初始化

全部折叠

`InitialX`- - - - - -最初的评估点
`NumSeedPoints`——- - - - - -`D`随机初始点在允许范围内(默认)|`N`——- - - - - -`D`表

最初的评估点,指定为一个N——- - - - - -D表,N评估点的数量,D是变量的数量。

请注意

如果只有InitialX,它被解释为初始点评估。目标函数的评价InitialX。

如果还提供了其他初始化参数,InitialX之前理解为函数评价数据。目标函数不是评估。任何缺失的值设置为南。

数据类型:表

`InitialObjective`- - - - - -客观值对应`InitialX`
`[]`(默认)|长度,`N`向量

客观值对应InitialX,指定长度N向量,N是评估点的数量。

例子:“InitialObjective”, (17; 3; -12.5)

数据类型:双

`InitialConstraintViolations`- - - - - -耦合约束的约束违反
`[]`(默认)|`N`——- - - - - -`K`矩阵

一个指定的耦合约束,约束违反N——- - - - - -K矩阵,N评估点的数量和吗K是耦合的数量限制。有关详细信息,请参见耦合约束。

数据类型:双

`InitialErrorValues`- - - - - -错误`InitialX`
`[]`(默认)|长度,`N`向量和条目`1`或`1`

错误InitialX,指定长度N向量和条目1或1,在那里N是评估点的数量。指定1没有错误,1为一个错误。

例子:“InitialErrorValues”, [1, 1, 1, 1, 1)

数据类型:双

`InitialUserData`- - - - - -初始数据对应`InitialX`
`[]`(默认)|长度,`N`细胞向量

初始数据对应InitialX,指定长度N细胞的向量,N是评估点的数量。

例子:InitialUserData, {2、3、1}

数据类型:细胞

`InitialObjectiveEvaluationTimes`- - - - - -评价的目标函数`InitialX`
`[]`(默认)|长度,`N`向量

评价的目标函数InitialX,指定长度N向量,N是评估点的数量。时间以秒。

数据类型:双

`InitialIterationTimes`- - - - - -*第一`N`迭代
`{}`(默认)|长度,`N`向量

*第一N迭代,指定为一个长度N向量,N是评估点的数量。时间以秒。

数据类型:双

输出参数

全部折叠

`结果`——贝叶斯优化结果
`BayesianOptimization`对象

贝叶斯优化的结果,作为一个返回BayesianOptimization对象。

提示

贝叶斯优化是无法复制的,如果存在这些情况之一:
- 你指定一个名字包括采集功能每秒,如“expected-improvement-per-second”。的每秒修饰符表明优化取决于目标函数的运行时。更多细节,请参阅获取函数类型。
- 您指定贝叶斯优化并行运行。由于nonreproducibility平行的时机,平行贝叶斯优化不一定产生可重复的结果。更多细节,请参阅平行的贝叶斯优化。

扩展功能

自动并行支持万博1manbetx
加速代码通过自动运行并行计算使用并行计算工具箱™。

并行运行,设置UseParallel名称-值参数真正的在调用这个函数。

关于并行计算的更一般的信息,请参阅MATLAB函数自动并行支持运行万博1manbetx(并行计算工具箱)。

版本历史

介绍了R2016b

另请参阅

BayesianOptimization|bestPoint|optimizableVariable

bayesopt

语法

描述

例子

创建一个BayesianOptimization对象使用bayesopt

贝叶斯与耦合约束优化

平行的贝叶斯优化

输入参数

有趣的- - - - - -目标函数函数处理|parallel.pool.Constant谁的价值是一个函数处理

var- - - - - -变量描述向量的optimizableVariable对象定义hyperparameters调谐

名称-值参数

AcquisitionFunctionName- - - - - -函数来选择下一个评估点“expected-improvement-per-second-plus”(默认)|“expected-improvement”|“expected-improvement-plus”|“expected-improvement-per-second”|“lower-confidence-bound”|“probability-of-improvement”

IsObjectiveDeterministic- - - - - -指定确定的目标函数假(默认)|真正的

ExplorationRatio- - - - - -探索倾向0.5(默认)|积极的现实

GPActiveSetSize- - - - - -符合高斯过程模型GPActiveSetSize或更少点300年(默认)|正整数

UseParallel- - - - - -并行计算假(默认)|真正的

ParallelMethod- - - - - -归责方法并行工作目标函数值“clipped-model-prediction”(默认)|模型预测的|“max-observed”|“min-observed”

MinWorkerUtilization- - - - - -宽容活跃平行的工人地板(0.8 * Nworkers)(默认)|正整数

MaxObjectiveEvaluations- - - - - -目标函数评价限制30.(默认)|正整数

MaxTime- - - - - -时间限制正(默认)|积极的现实

NumSeedPoints- - - - - -最初的评估点的数量4(默认)|正整数

XConstraintFcn- - - - - -确定性约束变量[](默认)|函数处理

ConditionalVariableFcn- - - - - -条件变量约束[](默认)|函数处理

NumCoupledConstraints- - - - - -数量的耦合约束0(默认)|正整数

AreCoupledConstraintsDeterministic- - - - - -指示是否耦合约束是决定性的真正的对于所有耦合约束(默认)|逻辑向量

详细的- - - - - -命令行显示水平1(默认)|0|2

OutputFcn- - - - - -函数在每次迭代之后{}(默认)|函数处理|处理单元阵列的功能

SaveFileName- - - - - -文件的名称@saveToFile输出函数“BayesoptResults.mat”(默认)|特征向量|字符串标量

SaveVariableName- - - - - -变量的名称@assignInBase输出函数“BayesoptResults”(默认)|特征向量|字符串标量

PlotFcn- - - - - -每次迭代后绘制函数{@plotObjectiveModel, @plotMinObjective}(默认)|“所有”|函数处理|处理单元阵列的功能

InitialX- - - - - -最初的评估点NumSeedPoints——- - - - - -D随机初始点在允许范围内(默认)|N——- - - - - -D表

InitialObjective- - - - - -客观值对应InitialX[](默认)|长度,N向量

InitialConstraintViolations- - - - - -耦合约束的约束违反[](默认)|N——- - - - - -K矩阵

InitialErrorValues- - - - - -错误InitialX[](默认)|长度,N向量和条目1或1

InitialUserData- - - - - -初始数据对应InitialX[](默认)|长度,N细胞向量

InitialObjectiveEvaluationTimes- - - - - -评价的目标函数InitialX[](默认)|长度,N向量

InitialIterationTimes- - - - - -*第一N迭代{}(默认)|长度,N向量

输出参数

结果——贝叶斯优化结果BayesianOptimization对象

更多关于

耦合约束

提示

扩展功能

自动并行支持万博1manbetx加速代码通过自动运行并行计算使用并行计算工具箱™。

版本历史

另请参阅

主题

创建一个`BayesianOptimization`对象使用`bayesopt`

`有趣的`- - - - - -目标函数
函数处理|`parallel.pool.Constant`谁的`价值`是一个函数处理

`var`- - - - - -变量描述
向量的`optimizableVariable`对象定义hyperparameters调谐

`AcquisitionFunctionName`- - - - - -函数来选择下一个评估点
`“expected-improvement-per-second-plus”`(默认)|`“expected-improvement”`|`“expected-improvement-plus”`|`“expected-improvement-per-second”`|`“lower-confidence-bound”`|`“probability-of-improvement”`

`IsObjectiveDeterministic`- - - - - -指定确定的目标函数
`假`(默认)|`真正的`

`ExplorationRatio`- - - - - -探索倾向
`0.5`(默认)|积极的现实

`GPActiveSetSize`- - - - - -符合高斯过程模型`GPActiveSetSize`或更少点
`300年`(默认)|正整数

`UseParallel`- - - - - -并行计算
`假`(默认)|`真正的`

`ParallelMethod`- - - - - -归责方法并行工作目标函数值
`“clipped-model-prediction”`(默认)|`模型预测的`|`“max-observed”`|`“min-observed”`

`MinWorkerUtilization`- - - - - -宽容活跃平行的工人
`地板(0.8 * Nworkers)`(默认)|正整数

`MaxObjectiveEvaluations`- - - - - -目标函数评价限制
`30.`(默认)|正整数

`MaxTime`- - - - - -时间限制
`正`(默认)|积极的现实

`NumSeedPoints`- - - - - -最初的评估点的数量
`4`(默认)|正整数

`XConstraintFcn`- - - - - -确定性约束变量
`[]`(默认)|函数处理

`ConditionalVariableFcn`- - - - - -条件变量约束
`[]`(默认)|函数处理

`NumCoupledConstraints`- - - - - -数量的耦合约束
`0`(默认)|正整数

`AreCoupledConstraintsDeterministic`- - - - - -指示是否耦合约束是决定性的
`真正的`对于所有耦合约束(默认)|逻辑向量

`详细的`- - - - - -命令行显示水平
`1`(默认)|`0`|`2`

`OutputFcn`- - - - - -函数在每次迭代之后
`{}`(默认)|函数处理|处理单元阵列的功能

`SaveFileName`- - - - - -文件的名称`@saveToFile`输出函数
`“BayesoptResults.mat”`(默认)|特征向量|字符串标量

`SaveVariableName`- - - - - -变量的名称`@assignInBase`输出函数
`“BayesoptResults”`(默认)|特征向量|字符串标量

`PlotFcn`- - - - - -每次迭代后绘制函数
`{@plotObjectiveModel, @plotMinObjective}`(默认)|`“所有”`|函数处理|处理单元阵列的功能

`InitialX`- - - - - -最初的评估点
`NumSeedPoints`——- - - - - -`D`随机初始点在允许范围内(默认)|`N`——- - - - - -`D`表

`InitialObjective`- - - - - -客观值对应`InitialX`
`[]`(默认)|长度,`N`向量

`InitialConstraintViolations`- - - - - -耦合约束的约束违反
`[]`(默认)|`N`——- - - - - -`K`矩阵

`InitialErrorValues`- - - - - -错误`InitialX`
`[]`(默认)|长度,`N`向量和条目`1`或`1`

`InitialUserData`- - - - - -初始数据对应`InitialX`
`[]`(默认)|长度,`N`细胞向量

`InitialObjectiveEvaluationTimes`- - - - - -评价的目标函数`InitialX`
`[]`(默认)|长度,`N`向量

`InitialIterationTimes`- - - - - -*第一`N`迭代
`{}`(默认)|长度,`N`向量

`结果`——贝叶斯优化结果
`BayesianOptimization`对象

自动并行支持万博1manbetx
加速代码通过自动运行并行计算使用并行计算工具箱™。