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 $$\lambda$$= 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 $$\lambda$$使用交叉验证作为调正则化参数在NCA的回归， 最好的 $$\lambda$$价值发现的是0.0035。改装NCA模型采用这种 $$\lambda$$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

[2]https://www.cs.toronto.edu/~delve/data/datasets.html