改装

类：FeatureSelectionNCAClassification

改装邻里成分分析（NCA）模型进行分类

扩大所有页面

句法

mdlrefit =改装（MDL，名称，值）

描述

mdlrefit=改装（MDL，名称，值）整修模型MDL，与由一个或多个指定的修改的参数名称，值对参数。

输入参数

展开全部

邻里成分分析模型或分类，指定为FeatureSelectionNCAClassification目的。

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

配件选项

展开全部

用于装配模型的方法，指定为逗号分隔的一对组成的'使用fitmethod'与下列情况之一。

  • '精确'- 执行使用所有数据的拟合。

  • '没有'- 无配件。使用此选项使用在调用中提供的初始特征权评估NCA模型的泛化误差fscnca。

  • '平均'- 该函数的数据划分成若干分区（子集），使用适合的每个分区精确方法，并且返回的平均特征权重。您可以使用指定的分区数NumPartitions名称 - 值对的参数。

例：'使用fitmethod'， '无'

正则化参数，指定为逗号分隔的一对组成的“拉姆达”和一个非负标量值。

对于ñ观察，最好的LAMBDA值最小化的NCA模型的泛化误差预期为1的倍数/ñ

例：'LAMBDA'，0.01

数据类型：双|单

解算器类型用于估计的特征权重，指定为逗号分隔的一对组成的“求解”与下列情况之一。

  • 'lbfgs'- 有限存储器BFGS（的Broyden-弗莱彻-戈德法布-Shanno无）算法（LBFGS算法）

  • “新元”- 随机梯度下降

  • 'minibatch-lbfgs'- 施加到微型批次，LBFGS算法随机梯度下降

例：'求解'， 'minibatch-lbfgs'

初始特征权重，指定为逗号分隔的一对组成的'InitialFeatureWeights'和p×1矢量实正标量的值。

数据类型：双|单

指示器，用于会聚概要显示详细级别，指定为逗号分隔的一对组成的“放牧”与下列情况之一。

  • 0 - 没有收敛汇总

  • 1 - 收敛摘要，包括迭代数，梯度的范数，并且目标函数值。

  • > 1 - 取决于拟合算法的更多收敛信息

    当使用求解'minibatch-lbfgs'和详细级别> 1时，收敛性信息包括迭代从中间minibatch LBFGS配合登录。

例：'冗长'，2

数据类型：双|单

LBFGS或小批量LBFGS选项

展开全部

对求解器的梯度范相对收敛容差lbfgs，指定为逗号分隔的一对组成的'GradientTolerance'和正实标值。

例：'GradientTolerance'，0.00001

数据类型：双|单

SGD或小批量LBFGS选项

展开全部

最初的学习率求解SGD，指定为逗号分隔的一对组成的'InitialLearningRate'而正标量值。

当使用类型解算器“新元”，学习率衰减了迭代开始值指定'InitialLearningRate'。

例：'InitialLearningRate'，0.8

数据类型：双|单

通行证解算器的最大数量“新元”（随机梯度下降），指定为逗号分隔的一对组成的'PassLimit'和一个正整数。每个传送过程大小（mdl.X，1）观察结果。

例：'PassLimit'，10

数据类型：双|单

SGD或LBFGS或小批量LBFGS选项

展开全部

最大迭代次数，指定为逗号分隔的一对组成的'IterationLimit'和一个正整数。

例：'IterationLimit'，250

数据类型：双|单

输出参数

展开全部

邻里成分分析模型进行分类，返回为FeatureSelectionNCAClassification目的。您可以将结果要么保存为一个新模型或更新现有模型MDL =改装（MDL，名称，值）。

例子

展开全部

打开脚本

生成使用棋盘数据generateCheckerBoardData.m功能。

RNG（2016年，“扭腰”）;％用于重现PPS = 1375;[X，Y] = generateCheckerBoardData（PPS）;X = X + 2;

图中的数据。

图图（X（Y == 1,1），X（Y == 1,2），'RX'）保持上积（X（Y ==  -  1,1），X（Y ==  -  1,2），'BX'）[N，P] =尺寸（X）
N = 22000 P = 2

无关预测添加到数据。

Q = 98;Xrnd = unifrnd（0,4，N，Q）;Xobs = [X，Xrnd];

这段代码创建98个的其他预测，全部为0和4之间均匀地分布。

将数据划分为训练和测试集。要创建分层分区，使每个分区都有类类似的比例，使用ÿ代替冗长）作为分区的标准。

CVP = cvpartition（Y，'坚持'，2000）;

cvpartition随机选择的意见2000添加到测试集和其余数据添加到训练集。创建培训和使用分配确认将存储在cvpartition目的CVP。

Xtrain = Xobs（cvp.training（1），:);ytrain = Y（cvp.training（1），:);XVAL = Xobs（cvp.test（1），:);利用yval = Y（cvp.test（1），:);

不计算特征选择误分。

NCA = fscnca（Xtrain，ytrain，'使用fitmethod'，'没有'，“标准化”，真正，...“求解”，'lbfgs'）;loss_nofs =损失（NCA，XVAL，利用yval）
loss_nofs = 0.5165

'使用fitmethod'， '无'选择使用默认的权重（全1），这意味着所有的功能都同样重要。

这一次，使用邻分类成分分析进行特征选择，用$ \拉姆达= 1 / n的$。

W0 =兰特（100,1）;N =长度（ytrain）的λ= 1 / N;NCA =改装（NCA，'InitialFeatureWeights'，W0，'使用fitmethod'，'精确'，...“拉姆达”，λ，“求解”，“新元”）;
N = 20000

绘制目标函数值与迭代次数。

图（）图（nca.FitInfo.Iteration，nca.FitInfo.Objective，'RO'）保持上情节（nca.FitInfo.Iteration，movmean（nca.FitInfo.Objective，10），'k.-'）xlabel（“迭代次数”）ylabel（“客观价值”）

计算与特征选择的误分。

loss_withfs =损失（NCA，XVAL，利用yval）
loss_withfs = 0.0115

绘制选择的要素。

图semilogx（nca.FeatureWeights，'RO'）xlabel（“特色指标”）ylabel（“特征权重”）网格上

使用要素权重和相对阈值选择功能。

TOL = 0.15;selidx =查找（nca.FeatureWeights> TOL *最大（1，MAX（nca.FeatureWeights）））
selidx = 1 2

特征选择提高的结果，并fscnca检测到正确的两种功能的相关性。

也可以看看

|||

介绍了在R2016b

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书