类:FeatureSelectionNCARegression
改装邻里成分分析(NCA)模型进行回归
mdlrefit =改装(MDL,名称,值)
MDL
-回归邻里成分分析模型FeatureSelectionNCARegression
目的邻里成分分析模型或分类,指定为FeatureSelectionNCARegression
目的。
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
。
'使用fitmethod'
-拟合模型方法mdl.FitMethod
(默认)|'精确'
|'没有'
|'平均'
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fsrnca
。
'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'
“拉姆达”
-正则参数mdl.Lambda
(默认)|非负标量值正则化参数,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
“求解”
-求解类型mdl.Solver
(默认)|'lbfgs'
|“新元”
|'minibatch-lbfgs'
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'
'InitialFeatureWeights'
-初始特征的权重mdl.InitialFeatureWeights
(默认)|p×1实正标量值的矢量初始特征权重,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
“放牧”
-指示器详细级别mdl.Verbose
(默认)|0|1|> 1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
'GradientTolerance'
-相对收敛容差mdl.GradientTolerance
(默认)|正实标值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
'InitialLearningRate'
-最初的学习率求解SGD
mdl.InitialLearningRate
(默认)|正实标值最初的学习率求解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
'PassLimit'
-通行证解算器的最大数量“新元”
mdl.PassLimit
(默认)|正整数值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
'IterationLimit'
-最大迭代次数mdl.IterationLimit
(默认)|正整数值最大迭代次数,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
mdlrefit
- 邻居回归成分分析模型FeatureSelectionNCARegression
目的邻里成分分析模型或分类,返回为FeatureSelectionNCARegression
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)
。
加载样本数据。
加载('robotarm.mat')
该robotarm
(pumadyn32nm)数据集使用机器人臂模拟器7168的训练和测试1024与观测特征32 [1],[2]创建。这是原始数据集的预处理版本。数据是通过减去关闭线性回归拟合随后的所有特征正常化到单位方差预处理。
不计算特征选择泛化的错误。
NCA = fsrnca(Xtrain,ytrain,'使用fitmethod','没有',“标准化”,1);L =损失(NCA,XTEST,ytest)
L = 0.9017
现在,改装模型和计算与特征选择的预测损失,具有
= 0(无正则项),并比较了先前的损耗值,以确定特征选择对这个问题似乎有必要。对于设置,你不改变,改装
使用初始模型的设置NCA
。例如,使用中发现的特征权NCA
作为初始特征权重。
nca2 =改装(NCA,'使用fitmethod','精确',“拉姆达”,0);L2 =损耗(nca2,XTEST,ytest)
L2 = 0.1088
在损失的减少表明,特征选择是必要的。
画出要素权重。
图()图(nca2.FeatureWeights,'RO')
调整调整参数通常会提高的结果。假设,调整后
使用交叉验证作为调正则化参数在NCA的回归, 最好的
价值发现的是0.0035。改装NCA
模型采用这种
值和随机梯度下降作为解算器。计算预测的损失。
nca3 =改装(nca2,'使用fitmethod','精确',“拉姆达”,0.0035,...“求解”,“新元”);L3 =损耗(nca3,XTEST,ytest)
L3 = 0.0573
画出要素权重。
图()图(nca3.FeatureWeights,'RO')
调整调整参数后,损失更加降低,软件识别的特征相关的四强。
参考
[1] Rasmussen的,C. E.,R. M.尼尔,G. E.欣顿,D.面包车Campand,M. Revow,Z. Ghahramani,R. Kustra,R. Tibshirani。该DELVE手册,1996年,http://mlg.eng.cam.ac.uk/pub/pdf/RasNeaHinetal96.pdf
您单击对应于该MATLAB命令的链接:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。万博1manbetx
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。