贝叶斯优化结果
创建一个贝叶斯偏见化
对象的Bayesopt.
函数或下列函数之一与优化高度参数
名称-值参数。
ObjectiveFCN.
-ObjectiveFCN.
使用的论点Bayesopt.
此属性是只读的。
ObjectiveFCN.
使用的论点Bayesopt.
,指定为函数句柄。
如果你打电话Bayesopt.
直接ObjectiveFCN.
是个Bayesopt.
目标函数参数。
如果你调用一个包含'OptimizeHyperParameters'
名称值对参数,ObjectiveFCN.
是一个函数句柄,它返回分类时的误分类率,或返回1的对数加上回归时的交叉验证损失,由5倍交叉验证测量。
数据类型:function_handle.
variabledescriptions.
-variabledescriptions.
观点:Bayesopt.
使用optimizableVariable
对象此属性是只读的。
variabledescriptions.
观点:Bayesopt.
用于,指定为的向量optimizableVariable
对象。
如果你叫Bayesopt.
直接variabledescriptions.
是个Bayesopt.
变量描述参数。
如果您打电话给拟合功能优化高度参数
名称-值对,variabledescriptions.
为超参数向量。
选项
-选项Bayesopt.
使用此属性是只读的。
选项Bayesopt.
使用,指定为结构。
如果你叫Bayesopt.
直接选项
是使用的选项Bayesopt.
,它们是名称-值对Bayesopt.
输入参数.
如果您打电话给拟合功能优化高度参数
名称-值对,选项
是默认值Bayesopt.
选项,由HyperParameterOptimizationOptions.
名称-值对。
选项
是一个只读结构,包含以下字段。
选项名称 | 意义 |
---|---|
获取功能名称 |
采集函数名称。看获取函数类型. |
IsObjectiveDeterministic |
真的 表示目标函数是确定性的,假 除此以外。 |
分析言 |
只有当使用获取功能名称 是“expected-improvement-plus” 或者“expected-improvement-per-second-plus” .看加. |
maxobjectiveevaluations |
目标函数评价极限。 |
MaxTime |
时限。 |
xconstraintfcn. |
变量的确定性约束。看确定性约束 - Xconstraintfcn. |
Connitionalvarifiedfcn. |
条件可变约束。看条件约束- ConditionalVariableFcn. |
numcoupledconstraint. |
耦合约束的个数。看耦合约束. |
耦合控制特定 |
耦合约束公差。看耦合约束. |
arecoupledconstraintsdeterministic |
指定每个耦合约束是确定性的逻辑矢量。 |
verb |
命令行显示级别。 |
OutputFcn |
每次迭代后函数调用。看贝叶斯优化输出函数. |
SaveVariableName |
的变量名@assignInBase 输出函数。 |
SaveFileName |
的文件名@saveToFile 输出函数。 |
Plotfcn. |
每次迭代后调用绘图函数。看贝叶斯优化绘图函数 |
itialx. |
点,Bayesopt. 评估目标函数。 |
initialbjective. |
目标函数值itialx. . |
InitialConstraintViolations |
耦合约束函数值在itialx. . |
InitialErrorvalues. |
误差值在itialx. . |
InitialObjectiveEvaluationTimes |
客观函数评估时间itialx. . |
InitialIterationTimes |
每次迭代的时间,包括客观函数评估和其他计算。 |
数据类型:结构体
MinObjective
-目标函数的最小观测值此属性是只读的。
最小观察到的目标函数的值,指定为真正的标量。当有耦合约束或评估错误时,该值是根据最终约束和错误模型可行的所有观察点的最小值。
数据类型:双
XATMINOBJECTIVE
-目标函数值最小的观测点1
——- - - - - -D.
桌子此属性是只读的。
观察到最小目标函数值,指定为a1
——- - - - - -D.
表,其中D.
为变量的个数。
数据类型:桌子
minestimatedobjective.
-估计客观函数值此属性是只读的。
估计目标函数值XATMINESTIMATEDIPIATIVE
,指定为真正的标量。
minestimatedobjective.
为最终目标模型的后验分布的均值。该软件估计minestimatedobjective.
价值通过XATMINESTIMATEDIPIATIVE
到目标函数predictObjective
.
数据类型:双
XATMINESTIMATEDIPIATIVE
-具有最小的上置信度的目标函数值1
——- - - - - -D.
桌子此属性是只读的。
目标函数值在访问点中的上置信界最小的点,记为a1
——- - - - - -D.
表,其中D.
为变量的个数。该软件使用最终目标模型来寻找访问点的上置信限。
XATMINESTIMATEDIPIATIVE
与返回的最佳点相同best
使用默认标准('最小的上级置信区间'
).
数据类型:桌子
numobjectiveevaluations.
-客观函数评估数量此属性是只读的。
目标函数评估数量,指定为正整数。这包括在优化迭代期间形成后模型的初始评估以及评估。
数据类型:双
TotalElapsedTime
-在几秒钟内完成优化的经过时间此属性是只读的。
以秒为单位的总优化运行时间,指定为正标量。
数据类型:双
NextPoint
-下一个要评估是否继续优化的点1
——- - - - - -D.
桌子此属性是只读的。
下一个要评估如果优化继续,则指定为a1
——- - - - - -D.
表,其中D.
为变量的个数。
数据类型:桌子
XTrace
-评估目标函数的积分T.
——- - - - - -D.
桌子此属性是只读的。
评估目标函数的点,指定为aT.
——- - - - - -D.
表,其中T.
是多少评价点和D.
为变量的个数。
数据类型:桌子
ObjectiveTrace
-目标函数值T.
此属性是只读的。
目标函数值,指定为长度的列向量T.
,在那里T.
为评价点数。ObjectiveTrace
包含目标函数评估的历史。
数据类型:双
ObjectiveEvaluationTimeTrace
-目标函数求值次数T.
此属性是只读的。
目标函数求值次数,指定为列向量的长度T.
,在那里T.
为评价点数。ObjectiveEvaluationTimeTrace
包括计算耦合约束的时间,因为目标函数计算这些约束。
数据类型:双
IterationTimeTrace
-迭代时间T.
此属性是只读的。
迭代时间,指定为长度的列向量T.
,在那里T.
为评价点数。IterationTimeTrace
包括客观函数评估时间和其他开销。
数据类型:双
ConstraintsTrace
-耦合约束值T.
——- - - - - -K.
数组此属性是只读的。
耦合约束值,指定为aT.
——- - - - - -K.
阵列,其中T.
是多少评价点和K.
是耦合约束的数量。
数据类型:双
ErrorTrace
-错误迹象T.
的-1
或者1
参赛作品此属性是只读的。
错误指示,指定为长度的列向量T.
的-1
或者1
条目,在哪里T.
为评价点数。每个1
条目表明目标函数错误或返回南
在相应的点上XTrace
.每个-1
Entry表示计算的目标函数值。
数据类型:双
可行性议事
-可行性迹象T.
FeasibilityProbabilityTrace
-评价点可行的概率T.
IndexOfMinimumTrace
-哪个评价给出了最小可行目标T.
此属性是只读的。
哪个评价给出了最小可行目标,指定为长度的整数指标列向量T.
,在那里T.
为评价点数。根据每个迭代中存在的约束模型,包括误差约束模型,确定可行性。
数据类型:双
ObjectiveMinimumTrace
-最低观察目标T.
此属性是只读的。
最小观察到的目标,指定为长度的柱矢量T.
,在那里T.
为评价点数。
数据类型:双
估计objectiveminimumimumimimumimimimimimimimum.
-估计目标是T.
此属性是只读的。
估计目标,指定为列向量的长度T.
,在那里T.
为评价点数。在该迭代的目标模型中确定每个迭代的估计目标。在每次迭代时,软件使用对象函数predictObjective
估计在访问点之间的目标函数的最小上置信度的点处的目标函数值。
数据类型:双
userdatatrace.
-来自目标函数的辅助数据T.
此属性是只读的。
来自目标函数的辅助数据,指定为长度的单元格数组T.
,在那里T.
为评价点数。单元格数组中的每个条目都是用户数据
在目标函数的第三个输出中返回。
数据类型:细胞
best |
贝叶斯优化的最佳点根据标准 |
情节 |
绘制贝叶斯优化结果 |
predictConstraints |
预测一组点的耦合约束违规 |
predictError |
在一组点预测误差值 |
predictObjective |
在一组点上预测目标函数 |
predictObjectiveEvaluationTime |
预测目标函数在一组点上的运行时间 |
恢复 |
恢复贝叶斯优化 |
贝叶斯偏见化
物体使用Bayesopt.
此示例显示了如何创建一个贝叶斯偏见化
对象的使用Bayesopt.
最小化交叉验证损失。
优化KNN分类器的超级参数电离层
,即寻找最小化交叉验证损失的KNN超参数。有Bayesopt.
最小化以下普遍的公共表:
最近的邻居大小从1到30
距离函数'chebychev'
那'euclidean'
, 和'minkowski'
.
为了再现性,设置随机种子,设置分区,并设置获取功能名称
选项“expected-improvement-plus”
.抑制迭代显示,设置“详细”
到0.
.通过分区C
和拟合数据X
和y
到目标函数乐趣
通过创建乐趣
作为包含该数据的匿名函数。看参数化功能.
负载电离层rng.默认num = optimizableVariable (“n”(1、30),“类型”那“整数”);DST =优化不变('DST',{'chebychev'那'euclidean'那'minkowski'},“类型”那“分类”);c = cvpartition(351,“Kfold”5);fun = @(x)kfoldloss(fitcknn(x,y,“CVPartition”,C,'numneighbors',x.n,......'距离',char(x.dst),“NSMethod”那“详尽”));结果= Bayesopt(乐趣,[Num,DST],“详细”,0,......'获取功能名称'那“expected-improvement-plus”的)
结果=具有属性的贝叶斯optimization:ObjectiveFCN:[Function_Handle] variabledes:[1x1结构]选项:[1x1 struct] minobjective:0.1197 xatminobjective:[1x2表] mineestimatedobjective:0.1213 xatminestimationobjective:[1x2] numobjectiveevaluations:30 totallapptime:55.3628 nextpointations:[1x2表] XTrace:[30x2表] ObjectiveTreace:[30x1 double] constraintstrace:[] UserDataTrace:{30x1 Cell} WateSealValiveTimetrace:[30x1 Double] iterationTimetrace:[30x1 double] errortrace:[30x1 double] feaselytrace:[30x1逻辑]可行性ProbabilityTrace:[30x1 double] indexofmimimummimummimueTrace:[30x1 Double] objectivemImileTrace:[30x1 Double]估计objectiveminimumTrace:[30x1双]
贝叶斯偏见化
对象使用拟合功能此示例显示如何最小化交叉验证损耗电离层
支持向量机分类器的贝叶斯优化。
加载数据。
负载电离层
使用该分类优化分类'汽车'
参数。
rng.默认%的再现性mdl = fitcsvm(x,y,'OptimizeHyperParameters'那'汽车'的)
|=====================================================================================================| | Iter | Eval客观客观| | | BestSoFar | BestSoFar | BoxConstraint | KernelScale | | |结果| | |运行时(观察)| (estim) | | ||=====================================================================================================| | 最好1 | | 0.20513 | 18.569 | 0.20513 | 0.20513 | 64.836 | 0.0015729 | | 2 |接受| 0.35897 | 0.2057 | 0.20513 | 0.21471 | 0.036335 | 5.5755 | | 3 |最好| 0.13105 | 6.2333 | 0.13105 | 0.14133 | 0.0022147 | 0.0023957 | | 4 | | 0.35897接受| 0.29754 | 0.13105 | 0.13109 | 5.1259 | 98.62 | | 5 |的| 0.12536 | 0.58088 | 0.12536 | 0.12538 | 0.0010035 | 0.022328 | | 6 |接受| 0.13105 | 0.40129 | 0.12536 | 0.12624 | 0.0010683 | 0.010111 | | | 7日接受| 0.13105 | 0.35759 | 0.12536 | 0.12546 | 0.0010192 | 0.010237 | | |接受8 | 0.13105 | 6.2978 | 0.12536 | 0.12544 | 0.083367 |0.014339 | | | 9日接受| 0.1339 | 14.018 | 0.12536 | 0.12546 | 0.0010021 | 0.0010244 | | 10最好| | 0.12251 | 0.25271 | 0.12251 | 0.1226 | 0.0010657 | 0.043944 | | | 11日接受| 0.12536 | 0.52661 | 0.12251 | 0.12273 | 0.0045194 | 0.043634 | | | 12日接受| 0.12821 | 0.64736 | 0.12251 | 0.12506 | 0.0010123 | 0.03649 | | | 13日接受| 0.12536 |0.63727 | 0.12251 | 0.12511 | 0.0040337 | 0.031924 | | | 14日接受| 0.1339 | 0.34713 | 0.12251 | 0.12472 | 0.0010317 | 0.080017 | | |接受15 | 0.12251 | 0.22915 | 0.12251 | 0.12414 | 0.003321 | 0.033169 | | | 16日接受| 0.12536 | 0.34806 | 0.12251 | 0.12439 | 0.0047749 | 0.034094 | | | 17日接受| 0.35897 | 0.44574 | 0.12251 | 0.12436 | 0.3106| 994.65 | | 18 | Accept | 0.35897 | 0.25864 | 0.12251 | 0.1244 | 0.0017553 | 54.93 | | 19 | Accept | 0.35897 | 0.37266 | 0.12251 | 0.1247 | 0.0010187 | 1.0613 | | 20 | Accept | 0.12251 | 0.35001 | 0.12251 | 0.12379 | 0.0084324 | 0.047095 | |=====================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | BoxConstraint| KernelScale | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 21 | Accept | 0.13105 | 0.54292 | 0.12251 | 0.1245 | 0.023108 | 0.049961 | | 22 | Accept | 0.12251 | 0.2933 | 0.12251 | 0.1237 | 0.0010439 | 0.042774 | | 23 | Accept | 0.12251 | 0.35466 | 0.12251 | 0.12342 | 0.0010425 | 0.043785 | | 24 | Accept | 0.2906 | 0.28345 | 0.12251 | 0.12346 | 1.9994 | 20.839 | | 25 | Accept | 0.12821 | 0.25808 | 0.12251 | 0.12435 | 0.0010389 | 0.046026 | | 26 | Accept | 0.12251 | 0.32151 | 0.12251 | 0.12401 | 0.057129 | 0.40374 | | 27 | Accept | 0.13105 | 0.57236 | 0.12251 | 0.12339 | 1.7599 | 0.44056 | | 28 | Accept | 0.12536 | 0.43678 | 0.12251 | 0.12338 | 0.12534 | 0.2241 | | 29 | Accept | 0.12821 | 0.26761 | 0.12251 | 0.12437 | 0.2482 | 0.4511 | | 30 | Accept | 0.12821 | 0.23902 | 0.12251 | 0.12467 | 0.11675 | 0.31759 |
__________________________________________________________优化完成。MaxobjectiveEvaluative达到了30。总功能评估:30总经过时间:101.7799秒总目标函数评估时间:54.9466最佳观察到的可行点:BoxConstraint Kernelscale _____________ __________________________ 0.0010657 0.043944观察到的目标函数值= 0.12467函数评估时间= 0.25271最佳估计可行点= 0.25271(根据型号):BoxConstraint Kernelscale _____________ ____________ 0.0010657 0.043944估计目标函数值= 0.12467估计函数评估时间= 0.32358
Mdl = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351 HyperparameterOptimizationResults: [1 x1 BayesianOptimization]α:[112 x1双]偏见:-3.2345 KernelParameters: [1 x1 struct] BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupportVector:万博1manbetx[351x1 logical] Solver: 'SMO'属性,方法
适用于默认5倍交叉验证达到约12%的损失。
检查贝叶斯偏见化
对象中返回的HyperParameterOptimationResults.
属性返回的模型。
disp(mdl.hyperParameterOptimationResults)
与属性的贝叶斯optimization:ObjectiveFCN:@ createobjfcn / Inmemoryobjfcn Variabledsions:[1x1结构]选项:[1x1 struct] minobjective:0.1225 Xatminobjective:[1x2表] minestimatedobimative:0.1247 XATMineStimative objective:[1x2表] NumObjectiveEvaluations:30总计跳跃时间:101.7799 NextPoints:[1x2表] XTRACE:[30x2表] ObjectivEtrace:[30x1 double] constraintstrace:[] userdatatrace:{30x1 cell} lobelateevaliveTimetrace:[30x1 double] iterationTimetrace:[30x1 double] erreatible:[30x1 double] feaselytrace:[30x1逻辑] FeasilyProbilityTrace:[30x1 double] indexofmimumimumimumimumimumimumimumimum $ actach:[30x1 double]估计objectiveminimumtrace:[30x1双]
您已经有了geänderte版本死亡Beispiels。Möchten您是谁? Änderungen öffnen?
Sie Haben AUF EINEN LINK GEKLICKT,DER DIESEM MATLAB-BEFEHL ONTSPRICHT:
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。Webbrowser unterstützen keine MATLAB-Befehle。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。