predictConstraints

在一组点上预测耦合约束违反

全部折叠到页面中

语法

XTable ConstraintViolations = predictConstraints(结果)

[ConstraintViolations,σ]= predictConstraints(结果,XTable)

描述

例子

限制性= predictconstraints（结果,XTable）返回中点处的耦合约束函数违例XTable．

［限制性,σ) = predictConstraints (结果,XTable）还返回耦合约束函数的标准偏差。

例子

全部折叠

预测耦合约束

打开脚本

这个例子展示了如何预测一个优化的支持向量机模型的耦合约束。该型号的详细信息请参见利用bayesopt优化交叉验证支持向量机分类器．

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”）;

目标函数是划分的SVM模型的交叉验证损失c．耦合约束是Modus 100中的支持向量的数量。模型具有200个数据点，因此耦合万博1manbetx约束值范围为-100至100.正值意味着约束不满足约束。

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万博1manbetxor) -100.5;

使用此功能及其一个耦合约束调用优化器。

有趣= @ (x) mysvmfun (x, cdata, grp, c);结果= bayesopt(有趣,σ,盒子,“IsObjectiveDeterministic”,真的,.．.“NumCoupledConstraints”,1，“PlotFcn”,.．.{@plotMinObjective, @plotConstraintModels @plotObjectiveModel},.．.“AcquisitionFunctionName”,'预期改善加',“详细”，0）;

约束模型图显示，在范围内的大多数参数是不可行的，只有相对较高的值盒子参数和小范围的σ参数。预测几个控制变量的耦合约束值盒子和σ．

σ= logspace (2, 2, 11) ';盒= logspace(0、5、11)';XTable =表(σ,框);缺点= predictConstraints(结果,XTable);(XTable、表(缺点))

Ans = 11x3 table sigma box cons ________ ______ _______ 0.01 1 99.443 0.025119 3.1623 106.49 0.063096 10 94.468 0.15849 31.623 25.134 0.39811 100 -38.732 1 316.23 -55.156 2.5119 1000 -34.181 6.3096 3162.3 5.0153 15.849 10000 39.465 39.811 31623 60.9 100 1e+05 71.906