将线性回归模型适合高维数据据/p>
fitrlinear据/code>有效训练线性回归模型与高维,完整或稀疏预测数据。可用的线性回归模型包括正则支持向量机(SVM)和最小二乘回归方法。万博1manbetx据Code class="function">fitrlinear据/code>使用减少计算时间的技术(例如,随机梯度下降)最小化目标函数。据/p>
对于包括许多预测变量的高维数据集的计算时间,通过使用培训线性回归模型据Code class="literal">fitrlinear据/code>.对于低通过中维预测仪数据集,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">低维数据的替代方案据/a>.据/p>
返回一个培训的回归模型对象,该对象包含将支持向量机回归模型拟合到预测器的结果万博1manbetx据Code class="literal">X据/code>和响应据Code class="literal">y据/code>.据/p>
Mdl据/code>
= fitrlinear (据a href="#bu216n7_sep_shared-X" class="intrnllnk">X据/code>那据a href="#bu216n7_sep_shared-Y" class="intrnllnk">
y据/code>)据/code>
返回培训的线性回归模型,其中包含一个或多个指定的其他选项据Code class="literal">名称,值据/code>对论点。例如,您可以指定实施最小二乘回归,指定交叉验证,或指定正规化的类型。良好的做法是使用使用的交叉验证据Code class="literal">kfold.据/code>Mdl据/code>
= fitrlinear (据a href="#bu216n7_sep_shared-X" class="intrnllnk">X据/code>那据a href="#bu216n7_sep_shared-Y" class="intrnllnk">
y据/code>那据a href="#namevaluepairarguments" class="intrnllnk">
名称,值据/code>)据/code>
名称,值据/code>对参数。交叉验证的结果决定了模型的泛化程度。据/p>
[据a href="#bu216n7-Mdl" class="intrnllnk">
还使用任何前面的语法返回优化细节。你不能要求据Code class="literal">FitInfo据/code>用于交叉验证模型。据/p>
Mdl据/code>那据a href="#bu216n7_sep_shared-FitInfo" class="intrnllnk">
FitInfo据/code>) = fitrlinear (据span class="argument_placeholder">___据/span>)据/code>
[据a href="#bu216n7-Mdl" class="intrnllnk">
传递参数时,还返回超参数优化细节据a href="#bu216n7-OptimizeHyperparameters" class="intrnllnk">Mdl据/code>那据a href="#bu216n7_sep_shared-FitInfo" class="intrnllnk">
FitInfo据/code>那据a href="#bu216n7_sep_mw_d85d84fa-0222-43da-a8ca-e20f2e624030" class="intrnllnk">
HyperParameterOptimationResults.据/code>) = fitrlinear (据span class="argument_placeholder">___据/span>)据/code>
OptimizeHyperparameters据/code>名称-值对。据/p>
使用支持向量机、双SGD和脊正则化训练线性回归模型。据/p>
从这个模型模拟10000个观察结果据/p>
是一个10000 × 1000稀疏矩阵,含有10%的非零标准正规元素。据/p>
E.据/em>为随机正态误差,均值为0,标准差为0.3。据/p>
rng (1)据span style="color:#228B22">%的再现性据/span>n = 1 e4;d = 1 e3;新西兰= 0.1;X = sprandn (n, d,新西兰);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);据/pre>
训练线性回归模型。默认情况下,据Code class="literal">fitrlinear据/code>使用带脊惩万博1manbetx罚的支持向量机,并对支持向量机使用双SGD进行优化。通过提取一个拟合摘要,确定优化算法将模型与数据拟合的程度。据/p>
[mdl,fitinfo] = fitrinear(x,y)据/pre>
Mdl = RegressionLinear ResponseName: 'Y' ResponseTransform: 'none' Beta: [1000x1 double] Bias: -0.0056 Lambda: 1.0000e-04 Learner: 'svm'属性,方法据/pre>
FitInfo =据span class="emphasis">结构体字段:据/em>Lambda: 1.0000e-04 Objective: 0.2725 PassLimit: 10 NumPasses: 10 BatchLimit: [] NumIterations: 100000 GradientNorm: NaN GradientTolerance: 0 RelativeChangeInBeta: 0.4907 BetaTolerance: 1.0000e-04 DeltaGradient: 1.5816 DeltaGradientTolerance: 0.1000 TerminationCode: 0 TerminationStatus:{'迭代限制超过。Alpha: [10000x1 double] History: [] FitTime: 0.7623 Solver: {'dual'}据/pre>
Mdl据/code>是一个据Code class="literal">RegressionLinear据/code>模型。你可以通过据Code class="literal">Mdl据/code>和培训或新数据据Code class="literal">损失据/code>检查样本均值平方误差。或者,你可以通过据Code class="literal">Mdl据/code>和新的预测数据据Code class="literal">预测据/code>来预测对新观测的反应。据/p>
FitInfo据/code>是一个结构数组,其中包含终止状态(据Code class="literal">terminationStatus.据/code>)以及求解器将模型与数据拟合所需的时间(据Code class="literal">Fittime.据/code>)。使用很好的做法据Code class="literal">FitInfo据/code>确定优化终止测量是否令人满意。在这种情况下,据Code class="literal">fitrlinear据/code>达到了最大迭代次数。因为培训时间快,你可以重新训练模型,但是通过数据增加通过的传递数量。或者,尝试另一个求解器,例如lbfgs。据/p>
为了确定一个好的套索惩罚强度的线性回归模型使用最小二乘法,实施5倍交叉验证。据/p>
从这个模型模拟10000个观察结果据/p>
是一个10000 × 1000稀疏矩阵,含有10%的非零标准正规元素。据/p>
E.据/em>为随机正态误差,均值为0,标准差为0.3。据/p>
rng (1)据span style="color:#228B22">%的再现性据/span>n = 1 e4;d = 1 e3;新西兰= 0.1;X = sprandn (n, d,新西兰);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);据/pre>
创建一组15个对数间隔的正则化强度据span class="inlineequation"> 通过据span class="inlineequation"> .据/p>
λ= logspace(5、1、15);据/pre>
旨在模型。要提高执行速度,可以调换预测器数据并指定观察结果在列中。利用SpaRSA优化目标函数。据/p>
X = X ';CVMdl = fitrlinear (X, Y,据span style="color:#A020F0">'观察'据/span>那据span style="color:#A020F0">“列”据/span>那据span style="color:#A020F0">'kfold'据/span>5,据span style="color:#A020F0">'lambda'据/span>λ,据span style="color:#0000FF">......据/span>“学习者”据/span>那据span style="color:#A020F0">'最不答案'据/span>那据span style="color:#A020F0">“规划求解”据/span>那据span style="color:#A020F0">'sparsa'据/span>那据span style="color:#A020F0">'正规化'据/span>那据span style="color:#A020F0">“套索”据/span>);numclmodels = numel(cvmdl.tromed)据/pre>
numCLModels = 5据/pre>
显示第一个训练的线性回归模型。据/p>
估计交叉验证的MSE。据/p>
值越大,据Code class="literal">λ据/code>导致预测变量的稀疏性,这是回归模型的一个很好的品质。对于每个正则化强度,使用整个数据集和交叉验证模型时相同的选项来训练线性回归模型。确定每个模型的非零系数的数目。据/p>
在同一图中,画出交叉验证MSE和每个正则化强度的非零系数的频率。绘制对数刻度的所有变量。据/p>
选择平衡预测变量稀疏性和低MSE的正则化强度指标(例如,据Code class="literal">lambda(10)据/code>)。据/p>
用对应于最小的MSE提取模型。据/p>
cvmdl.据/code>是一个据Code class="literal">RegressionPartitionedLinear据/code>模型。因为据Code class="literal">fitrlinear据/code>实现5倍交叉验证,据Code class="literal">cvmdl.据/code>包含5据Code class="literal">RegressionLinear据/code>软件列车在每个折叠上进行模型。据/p>
Mdl1 = CVMdl。训练有素的{1}据/pre>
Mdl1 = RegressionLinear ResponseName: 'Y' ResponseTransform: 'none' Beta: [1000x15 double] Bias: [1x15 double] Lambda: [1x15 double]初学者:'最小二乘'属性,方法据/pre>
Mdl1据/code>是一个据Code class="literal">RegressionLinear据/code>模型对象。据Code class="literal">fitrlinear据/code>建造据Code class="literal">Mdl1据/code>通过对前四个褶皱培训。因为据Code class="literal">λ据/code>是一系列正规化优势,你可以想到据Code class="literal">Mdl1据/code>作为15个型号,一个在每个正规化强度据Code class="literal">λ据/code>.据/p>
mse = kfoldLoss (CVMdl);据/pre>
mdl = fitrineear(x,y,据span style="color:#A020F0">'观察'据/span>那据span style="color:#A020F0">“列”据/span>那据span style="color:#A020F0">'lambda'据/span>λ,据span style="color:#0000FF">......据/span>“学习者”据/span>那据span style="color:#A020F0">'最不答案'据/span>那据span style="color:#A020F0">“规划求解”据/span>那据span style="color:#A020F0">'sparsa'据/span>那据span style="color:#A020F0">'正规化'据/span>那据span style="color:#A020F0">“套索”据/span>);numNZCoeff = (Mdl.Beta ~ = 0)之和;据/pre>
figure [h,hL1,hL2] = plotyy(log10(Lambda),log10(mse)),据span style="color:#0000FF">......据/span>log10(lambda),log10(numnzcoeff));HL1.Marker =据span style="color:#A020F0">'o'据/span>;HL2.Marker =据span style="color:#A020F0">'o'据/span>;ylabel(h(1),据span style="color:#A020F0">'log_ {10} mse'据/span>)Ylabel(H(2),据span style="color:#A020F0">“log_ {10} nonzero-coefficient频率”据/span>)包含(据span style="color:#A020F0">'log_ {10} lambda'据/span>)举行据span style="color:#A020F0">从据/span>
idxFinal = 10;据/pre>
MDLFinal = SelectModels(MDL,IDXFinal)据/pre>
MdlFinal = RegressionLinear ResponseName: 'Y' ResponseTransform: 'none' Beta: [1000x1 double] Bias: -0.0050 Lambda: 0.0037初学者:'最小二乘'属性,方法据/pre>
idxNZCoeff =找到(MdlFinal.Beta ~ = 0)据/pre>
idxNZCoeff =据span class="emphasis">2×1据/em>100 200.据/pre>
EstCoeff = Mdl.Beta (idxNZCoeff)据/pre>
estcoeff =据span class="emphasis">2×1据/em>1.0051 1.9.65.据/pre>
MdlFinal据/code>是一个据Code class="literal">RegressionLinear据/code>一正则化强度模型。非零系数据Code class="literal">EstCoeff据/code>与模拟数据的系数很接近。据/p>
这个例子展示了如何自动优化超参数使用据Code class="literal">fitrlinear据/code>.该示例使用模型的人工(模拟)数据据/p>
是一个10000 × 1000稀疏矩阵,含有10%的非零标准正规元素。据/p>
E.据/em>为随机正态误差,均值为0,标准差为0.3。据/p>
rng (1)据span style="color:#228B22">%的再现性据/span>n = 1 e4;d = 1 e3;新西兰= 0.1;X = sprandn (n, d,新西兰);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);据/pre>
找到通过使用自动超开名计优化最小化五倍交叉验证损耗的高参数。据/p>
为了再现性,请使用据Code class="literal">“expected-improvement-plus”据/code>采集功能。据/p>
超高超= struct(据span style="color:#A020F0">'获取功能名称'据/span>那据span style="color:#A020F0">“expected-improvement-plus”据/span>);(Mdl FitInfo HyperparameterOptimizationResults] = fitrlinear (X, Y,据span style="color:#0000FF">......据/span>'OptimizeHyperparameters'据/span>那据span style="color:#A020F0">'汽车'据/span>那据span style="color:#0000FF">......据/span>“HyperparameterOptimizationOptions”据/span>hyperopts)据/pre>
|=====================================================================================================| | Iter | Eval |目的:| |目的BestSoFar | BestSoFar |λ|学生| | | |结果日志(1 +损失)运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 最好1 | | 0.16029 | 0.41774 | 0.16029 | 0.16029 | 2.4206 e-09 svm | |据/pre>
| 2 | Best | 0.14496 | 0.32058 | 0.14496 | 0.14601 | 0.001807 | svm |据/pre>
| 3 | Best | 0.13879 | 0.28024 | 0.13879 | 0.14065 | 2.4681e-09 |最小二乘|据/pre>
|4 |最好的0.115 |0.27266 |0.115 |0.11501 |0.021027 |最小要条件|据/pre>
| 5 |接受| 0.44352 | 0.27558 | 0.115 | 0.1159 | 4.6795 |最小二乘|据/pre>
| 6 |最佳| 0.11025 | 0.27333 | 0.11025 | 0.11024 | 0.010671 |最小二乘|据/pre>
|7 |接受|0.13222 |0.27212 |0.11025 |0.11024 |8.6067E-08 |最小要条件|据/pre>
| 8 |接受| 0.13262 | 0.26992 | 0.11025 | 0.11023 | 8.5109e-05 |最小二乘|据/pre>
|9 |接受|0.13543 |0.2732 |0.11025 |0.11021 |2.7562E-06 |最小要条件|据/pre>
|10 |接受|0.15751 |0.34766 |0.11025 |0.11022 |5.0559E-06 |SVM |据/pre>
| 11 |接受| 0.40673 | 0.32948 | 0.11025 | 0.1102 | 0.52074 | svm |据/pre>
|12 |接受|0.16057 |0.33499 |0.11025 |0.1102 |0.00014292 |SVM |据/pre>
| 13 |接受| 0.16105 | 0.33584 | 0.11025 | 0.11018 | 1.0079e-07 | svm |据/pre>
| 14 |接受| 0.12763 | 0.27263 | 0.11025 | 0.11019 | 0.0012085 |最小二乘|据/pre>
| 15 |接受| 0.13504 | 0.27125 | 0.11025 | 0.11019 | 1.3981e-08 |最小二乘|据/pre>
|16 |接受|0.11041 |0.27367 |0.11025 |0.11026 |0.0093968 |最小要条件|据/pre>
|17 |最好的0.10954 |0.27352 |0.10954 |0.11003 |0.010393 |最小要条件|据/pre>
|18 |接受|0.10998 |0.2712 |0.10954 |0.11002 |0.010254 |最小要条件|据/pre>
|19 |接受|0.45314 |0.27275 |0.10954 |0.11001 |9.9932 |SVM |据/pre>
| 20 | Best | 0.10753 | 0.33512 | 0.10753 | 0.10759 | 0.022576 | svm |据/pre>
|=====================================================================================================| | Iter | Eval |目的:| |目的BestSoFar | BestSoFar |λ|学生| | | |结果日志(1 +损失)运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 21最好| | 0.10737 | 0.33442 | 0.10737 | 0.10728 | 0.010171 |支持向量机|据/pre>
| 22 |接受| 0.13448 | 0.28528 | 0.10737 | 0.10727 | 1.5344e-05 |最小二乘|据/pre>
|23 |最好的0.10645 |0.33892 |0.10645 |0.10565 |0.015495 |SVM |据/pre>
|24 |接受|0.13598 |0.27017 |0.10645 |0.10559 |4.5984E-07 |最小要条件|据/pre>
|25 |接受|0.15962 |0.3451 |0.10645 |0.10556 |1.4302e-08 |SVM |据/pre>
| 26 | Accept | 0.10689 | 0.33135 | 0.10645 | 0.10616 | 0.015391 | svm |据/pre>
| 27 |接受| 0.13748 | 0.26642 | 0.10645 | 0.10614 | 1.001e-09 |最小二乘|据/pre>
| 28 | Accept | 0.10692 | 0.33264 | 0.10645 | 0.10639 | 0.015761 | svm |据/pre>
|29 |接受|0.10681 |0.32913 |0.10645 |0.10649 |0.015777 |SVM |据/pre>
| 30 |接受| 0.34314 | 0.26817 | 0.10645 | 0.10651 | 0.39671 |最小二乘|据/pre>
__________________________________________________________ 优化完成。maxobjective达到30个。总函数计算:30总运行时间:29.0513秒。总目标函数评估时间:9.0751最佳观测可行点:Lambda Learner __________________ _______ 0.0154950548329524 svm观测目标函数值= 0.10645估计目标函数值= 0.10651函数评估时间= 0.33892最佳估计可行点(根据模型):Lambda Learner _________________ _______ 0.015777492256035 svm估计的目标函数值= 0.10651估计的函数评估时间= 0.33362据/pre>
Mdl = RegressionLinear ResponseName: 'Y' ResponseTransform: 'none' Beta: [1000×1 double] Bias: -0.001764448684672 Lambda: 0.015777492256035 Learner: 'svm'属性,方法据/pre>
FitInfo =据span class="emphasis">结构体字段:据/em>拉姆达:0.015777492256035目的:0.230889727364096 PassLimit:10个NumPasses:10 BatchLimit:[] NumIterations:99989 GradientNorm:NaN的GradientTolerance:0 RelativeChangeInBeta:0.064063563056079 BetaTolerance:1.000000000000000e-04 DeltaGradient:1.169701423362251 DeltaGradientTolerance:0.100000000000000 TerminationCode:0 TerminationStatus:{'迭代极限超过。'} alpha:[10000×1双]历史:[] Fittime:0.050041900000000求解器:{'Dual'}据/pre>
HyperparameterOptimizationResults = BayesianOptimization与属性:ObjectiveFcn:@ createObjFcn / inMemoryObjFcn VariableDescriptions:[3×1 optimizableVariable]选项:[1×1结构] MinObjective:0.106451249084752 XAtMinObjective:[1×2表] MinEstimatedObjective:0.106505444701403 XAtMinEstimatedObjective:[1×2表]NumObjectiveEvaluations:30 TotalElapsedTime:29.051285600000000 NextPoint公司:[1×2表] X跟踪:[30×2表] ObjectiveTrace:[30×1双] ConstraintsTrace:[] UserDataTrace:{30×1细胞} ObjectiveEvaluationTimeTrace:[30×1双]IterationTimeTrace:[30×1双] ErrorTrace:[30×1双] FeasibilityTrace:[30×1逻辑] FeasibilityProbabilityTrace:[30×1双] IndexOfMinimumTrace:[30×1双] ObjectiveMinimumTrace:[30×1双] EstimatedObjectiveMinimumTrace:[30×1双]据/pre>
这种优化技术比如图所示更简单据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">使用交叉验证找到好的套索惩罚据/a>,但不允许您权衡模型复杂性和交叉验证损失。据/p>
X据/code>-据span itemprop="purpose">预测数据据/span>
全矩阵据/span>|据span itemprop="inputvalue">稀疏矩阵据/span>
预测器数据,指定为据E.mClass="varname">N据/em>——- - - - - -据E.mClass="varname">P.据/em>全或稀疏矩阵。据/p>
长度据Code class="literal">y据/code>观察的次数据Code class="literal">X据/code>必须是平等的。据/p>
如果您对预测器矩阵进行定位,使观察结果与列对应并指定据Code class="literal">'观察','列'据/code>,那么您可能会经历优化执行时间的显著减少。据/p>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
y据/code>-据span itemprop="purpose">响应数据据/span>
数值向量据/span>
响应数据,指定为一个据E.mClass="varname">N据/em>- 数值数字矢量。长度据Code class="literal">y据/code>观察的次数据a href="#bu216n7_sep_shared-X" class="intrnllnk"> 数据类型:据/strong>X据/code>必须是平等的。据/p>
单据/code>|据Code itemprop="datatype">双据/code>
最后一个据Code class="literal">南据/code>在预测器观察值(行据Code class="argument">X据/code>或据Code class="literal">ValidationData {1}据/code>)据/p> 为了节省内存使用,最好的做法是在训练前手动从训练数据中删除包含缺失值的观察值。据/p>
fitrlinear据/code>删除丢失的观察,就是观察与任何特点:据/p>
南据/code>响应中的元素(据Code class="argument">y据/code>或据Code class="argument">验证数据据/code>
{2}据/code>)据/p>
南据/code>值或据Code class="literal">0.据/code>体重(据Code class="argument">重量据/code>或据Code class="literal">ValidationData {3}据/code>)据/p>
指定可选的逗号分隔的对据Code class="argument">名称,值据/code>论点。据Code class="literal">的名字据/code>是参数的名称和据Code class="literal">价值据/code>为对应值。据Code class="literal">的名字据/code>必须出现在引号内。可以以任意顺序指定多个名称和值对参数据Code class="literal">name1,value1,...,namen,valuen据/code>.据/p>
例子:据/strong>Mdl = fitrlinear (X, Y,“学习者”,“leastsquares”、“CrossVal”,“对”,“正规化”,“套索”)据/code>指定实现最小平方回归,实现10倍交叉验证,并且指定包括一套索正则化项。据/span>
的参数不能同时使用任何交叉验证的名称-值对参数据Code class="literal">'OptimizeHyperparameters'据/code>名称-值对的论点。可以为。修改交叉验证据Code class="argument">'OptimizeHyperparameters'据/code>只有使用据Code class="argument">“HyperparameterOptimizationOptions”据/code>名称-值对的论点。据/p>
‘ε’据/code>-据span itemprop="purpose">的ε-不敏感带的宽度的一半据/span>
差(Y) / 13.49据/code>
(默认)|据span itemprop="inputvalue">负的标量值据/span>
epsilon - 不敏感频段的一半宽度,指定为包括的逗号分隔对据Code class="literal">‘ε’据/code>和一个非负标量值。据Code class="literal">‘ε’据/code>仅适用于SVM学习者。据/p>
默认的据Code class="literal">小量据/code>值是据Code class="literal">差(Y) / 13.49据/code>,这是使用响应变量的四分位数范围的标准偏差的估计据Code class="literal">y据/code>.如果据Code class="literal">IQR(Y)据/code>等于0,那么默认值呢据Code class="literal">小量据/code>值是0.1。据/p>
例子:据/strong>'小量',0.3据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
'lambda'据/code>-据span itemprop="purpose">正则化项的力量据/span>
'汽车'据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>|据span itemprop="inputvalue">非负值向量据/span>
正则化项强度,指定为逗号分隔对组成据Code class="literal">'lambda'据/code>和据Code class="literal">'汽车'据/code>,非负标量或非负值的向量。据/p>
为了据Code class="literal">'汽车'据/code>那据Code class="literal">λ据/code>= 1 /据E.mClass="varname">N据/em>.据/p>
如果指定交叉验证,名称值对参数(例如,据a href="#bu216n7_sep_shared-CrossVal" class="intrnllnk">横梁据/code>),然后据E.mClass="varname">N据/em>为折叠观测的次数。据/p>
否则,据E.mClass="varname">N据/em>为训练样本量。据/p>
对于非负的值的矢量,该软件顺序优化为在每个不同的值的目标函数据Code class="literal">λ据/code>按升序。据/p>
如果据a href="#bu216n7-Solver" class="intrnllnk">求解器据/code>是据Code class="literal">'SGD'据/code>或据Code class="literal">“asgd”据/code>和据a href="#bu216n7_sep_shared-Regularization" class="intrnllnk">
正则化据/code>是据Code class="literal">“套索”据/code>,然后软件不使用先前的系数估计值作为a据a href="//www.tianjin-qmedu.com/help/stats/fitclinear.html" class="a">温暖的开始据/a>对于下一个优化迭代。否则,软件使用温暖的开始。据/p>
如果据Code class="literal">正则化据/code>是据Code class="literal">“套索”据/code>,然后0任何系数估计保留其值在软件中使用后续值优化据Code class="literal">λ据/code>.据/p>
返回系数估计所有优化迭代。据/p>
例子:据/strong>“λ”,10 ^ (- (10:2:2))据/code>
数据类型:据/strong>字符据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">双据/code>|据Code itemprop="datatype">单据/code>
“学习者”据/code>-据span itemprop="purpose">线性回归模型型据/span>
“支持向量机”据/code>
(默认)|据span itemprop="inputvalue">'最不答案'据/code>
线性回归模型类型,指定为逗号分隔对组成据Code class="literal">“学习者”据/code>和据Code class="literal">“支持向量机”据/code>或据Code class="literal">'最不答案'据/code>.据/p>
在该表中,据span class="inlineequation">
β据/em>是向量据E.mClass="varname">P.据/em>系数。据/p>
X据/em>是一个观察据E.mClass="varname">P.据/em>预测变量。据/p>
B.据/em>为标量偏差。据/p>
价值据/th> | 算法据/th> | 响应范围据/th> | 损失函数据/th> |
---|---|---|---|
'最不答案'据/code> |
普通最小二乘线性回归据/td> | y据/em>ε( - ∞,∞)据/td>
均方误差(MSE):据span class="inlineequation">
|
|
“支持向量机”据/code> |
万博1manbetx支持向量机回归据/td> | 如同据Code class="literal">'最不答案'据/code> | Epsilon-insensitive:据span class="inlineequation"> |
例子:据/strong>“学习者”,“leastsquares”据/code>
'观察'据/code>-据span itemprop="purpose">预测数据观测维数据/span>
'行'据/code>
(默认)|据span itemprop="inputvalue">“列”据/code>
预测器数据观测维数,由指定的逗号分隔对组成据Code class="literal">'观察'据/code>和据Code class="literal">“列”据/code>或据Code class="literal">'行'据/code>.据/p>
如果您对预测器矩阵进行定位,使观察结果与列对应并指定据Code class="literal">'观察','列'据/code>,那么您可能会经历优化执行时间的显著减少。据/p>
'正规化'据/code>-据span itemprop="purpose">复杂性惩罚型据/span>
“套索”据/code>
|据span itemprop="inputvalue">“岭”据/code>
复杂性惩罚类型,指定为逗号分隔对组成据Code class="literal">'正规化'据/code>和据Code class="literal">“套索”据/code>或据Code class="literal">“岭”据/code>.据/p>
该软件由平均损失函数的总和组成最小化目标函数(见据a href="#bu216n7-Learner" class="intrnllnk"> 要指定调整项的实力,这是据E.mClass="varname">λ据/em>在表达中,使用据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk"> 该软件不包括偏差项(据E.mClass="varname">β据/em>0.据/sub>)从正规化处罚。据/p>
如果据a href="#bu216n7-Solver" class="intrnllnk"> 对于预测器变量选择,请指定据Code class="literal">“套索”据/code>.有关可变选择的更多,请参阅据a href="//www.tianjin-qmedu.com/help/stats/feature-selection.html" class="a">特征选择简介据/a>.据/p> 为优化精度,指定据Code class="literal">“岭”据/code>.据/p> 例子:据/strong>学习者据/code>),并在此表中的规则化项。据/p>
价值据/th>
描述据/th>
“套索”据/code>
套索(L1)罚分:据span class="inlineequation">
“岭”据/code>
山脊(L2)罚款:据span class="inlineequation">
λ据/code>.据/p>
求解器据/code>是据Code class="literal">'sparsa'据/code>,则为的默认值据Code class="literal">正则化据/code>是据Code class="literal">“套索”据/code>.否则,默认为据Code class="literal">“岭”据/code>.据/p>
小费据/h3>
“正规化”、“套索”据/code>
“规划求解”据/code>-据span itemprop="purpose">目标函数最小化技术据/span>
'SGD'据/code>
|据span itemprop="inputvalue">“asgd”据/code>
|据span itemprop="inputvalue">'双重的'据/code>
|据span itemprop="inputvalue">“蓄热”据/code>|据span itemprop="inputvalue">“lbfgs”据/code>|据span itemprop="inputvalue">'sparsa'据/code>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格阵列据/span>
目标函数最小化技术,指定为逗号分隔对组成据Code class="literal">“规划求解”据/code>和字符向量或字符串标量,字符串数组或字符向量的小区数组,具有此表的值。据/p>
价值据/th> | 描述据/th> | 限制据/th> |
---|---|---|
'SGD'据/code> |
随机梯度下降法据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">[5]据/a>[3]据/a> | |
“asgd”据/code> |
平均随机梯度下降(ASGD)据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">[8]据/a> | |
'双重的'据/code> |
支持向量机的双SGD据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">[2]据/a>[7]据/a> | 正则化据/code> 必须据Code class="literal">“岭”据/code>和据a href="#bu216n7-Learner" class="intrnllnk">学习者据/code>必须据Code class="literal">“支持向量机”据/code>.据/td>
|
“蓄热”据/code> |
Broyden-Fletcher-Goldfarb-Shanno Quasi-Newton算法(BFGS)据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">[4]据/a> | 效率低下,如果据a href="#bu216n7_sep_shared-X" class="intrnllnk">X据/code>非常高维。据/td>
|
“lbfgs”据/code> |
内存有限bfg (LBFGS)据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">[4]据/a> | 正则化据/code>必须据Code class="literal">“岭”据/code>.据/td>
|
'sparsa'据/code> |
可分离近似稀疏重建(SpaRSA)据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">[6]据/a> | 正则化据/code>必须据Code class="literal">“套索”据/code>.据/td>
|
如果指定:据/p>
脊惩罚(见据Code class="argument">正则化据/code>),据Code class="literal">大小(X, 1) < = 100据/code>(100或更少的预测变量),则默认解算器为据Code class="literal">“蓄热”据/code>.据/p>
SVM回归模型(见据Code class="argument">学习者据/code>),山脊罚分,以及据Code class="literal">尺寸(x,1)> 100据/code>(超过100个预测变量),那么默认解算器是据Code class="literal">'双重的'据/code>.据/p>
套索罚款和据Code class="argument">X据/code>包含100或更少的预测变量,则默认解算器为据Code class="literal">'sparsa'据/code>.据/p>
否则,默认解算器是据Code class="literal">'SGD'据/code>.据/p>
如果指定Solver名称的字符串数组或单元格数组,则该软件将在指定顺序中使用所有解码据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk"> 有关哪些求解器的更多详细信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">提示据/a>.据/p>
例子:据/strong>λ据/code>.据/p>
“规划求解”,{‘sgd’,‘lbfgs}据/code>
“β”据/code>-据span itemprop="purpose">初始线性系数估计据/span>
Zeros(据E.mClass="replaceable">P.据/code>, 1)据/code>
(默认)|据span itemprop="inputvalue">数值向量据/span>|据span itemprop="inputvalue">数字矩阵据/span>
初始线性系数估计值(据E.mClass="varname">β据/em>),指定为逗号分隔的对,由据Code class="literal">“β”据/code>和一个据E.mClass="varname">P.据/em>- 二维数字矢量或一个据E.mClass="varname">P.据/em>——- - - - - -据E.mClass="varname">L.据/em>数字矩阵。据E.mClass="varname">P.据/em>是预测变量的数量据a href="#bu216n7_sep_shared-X" class="intrnllnk"> 如果您指定了一个据E.mClass="varname">P.据/em>- vimensional vector,然后软件优化目标函数据E.mClass="varname">L.据/em>使用此过程的时间。据/p>
该软件优化使用据Code class="literal">β据/code>作为初始值和最小值据Code class="argument">λ据/code>为正规化强度。据/p> 该软件再次优化使用的结果估计从以前的优化作为据a href="//www.tianjin-qmedu.com/help/stats/fitclinear.html" class="a">温暖的开始据/a>,以及下一个最小的价值据Code class="literal">λ据/code>为正规化强度。据/p> 软件实现步骤2,直到它排出所有值据Code class="literal">λ据/code>.据/p> 如果您指定了一个据E.mClass="varname">P.据/em>——- - - - - -据E.mClass="varname">L.据/em>矩阵,软件优化目标函数据E.mClass="varname">L.据/em>次了。在迭代据E.mClass="replaceable"> 如果你设置据Code class="literal">“解算器”,“双反”据/code>,然后软件忽略了据Code class="literal">β据/code>.据/p>
数据类型:据/strong>X据/code>和据E.mClass="varname">L.据/em>正则化强度值的数量(有关详细信息,请参阅据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk">
λ据/code>)。据/p>
j据/code>,该软件使用据Code class="literal">Beta(:,据E.mClass="replaceable">
j据/code>)据/code>作为初始值,并且在它排序后据Code class="literal">λ据/code>按升序,用途据Code class="literal">拉姆达(据E.mClass="replaceable">
j据/code>)据/code>为正规化强度。据/p>
单据/code>|据Code itemprop="datatype">双据/code>
'偏见'据/code>-据span itemprop="purpose">初始拦截估计据/span>
数字标量据/span>|据span itemprop="inputvalue">数值向量据/span>
初始拦截估计(据E.mClass="varname">B.据/em>),指定为逗号分隔的对,由据Code class="literal">'偏见'据/code>和一个数字标量或据E.mClass="varname">L.据/em>- 数值数字矢量。据E.mClass="varname">L.据/em>正则化强度值的数量(有关详细信息,请参阅据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk"> 如果指定一个标量,那么软件优化目标函数据E.mClass="varname">L.据/em>使用此过程的时间。据/p>
该软件优化使用据Code class="literal">偏见据/code>作为初始值和最小值据Code class="argument">λ据/code>为正规化强度。据/p> 在使用所得到的估算值作为一据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">温暖的开始据/a>到下一个优化迭代,并使用中下一个最小的值据Code class="literal">λ据/code>为正规化强度。据/p> 软件实现步骤2,直到它排出所有值据Code class="literal">λ据/code>.据/p> 如果指定了据E.mClass="varname">L.据/em>- vimensional vector,然后软件优化目标函数据E.mClass="varname">L.据/em>次了。在迭代据E.mClass="replaceable"> 默认情况下:据/p>
如果据a href="#bu216n7-Learner" class="intrnllnk"> 如果据Code class="argument">学习者据/code>是据Code class="literal">“支持向量机”据/code>, 然后据Code class="literal">偏见据/code>的加权中值是多少据Code class="literal">y据/code>对于所有的训练,或者交叉验证,折叠观察大于据a href="#bu216n7-Epsilon" class="intrnllnk"> 数据类型:据/strong>λ据/code>)。据/p>
j据/code>,该软件使用据Code class="literal">偏见(据E.mClass="replaceable">
j据/code>)据/code>作为初始值,并且在它排序后据Code class="literal">λ据/code>按升序,用途据Code class="literal">拉姆达(据E.mClass="replaceable">
j据/code>)据/code>为正规化强度。据/p>
学习者据/code>是据Code class="literal">'最不答案'据/code>, 然后据Code class="literal">偏见据/code>是的加权平均据Code class="literal">y据/code>用于培训,或交叉验证,折叠反应。据/p>
小量据/code>.据/p>
单据/code>|据Code itemprop="datatype">双据/code>
'fitbias'据/code>-据span itemprop="purpose">线性模型截距包含标志据/span>
真正的据/code>
(默认)|据span itemprop="inputvalue">错误的据/code>
线性模型拦截包含标志,指定为逗号分隔对组成据Code class="literal">'fitbias'据/code>和据Code class="literal">真正的据/code>或据Code class="literal">错误的据/code>.据/p>
价值据/th> | 描述据/th> |
---|---|
真正的据/code> |
该软件包括偏见术语据E.mClass="varname">B.据/em>在线性模型中,然后估计它。据/td> |
错误的据/code> |
软件集据E.mClass="varname">B.据/em>估计期间= 0。据/td> |
例子:据/strong>“FitBias”,假的据/code>
数据类型:据/strong>逻辑据/code>
“PostFitBias”据/code>-据span itemprop="purpose">标志拟合线性模型截距优化后据/span>
错误的据/code>
(默认)|据span itemprop="inputvalue">真正的据/code>
对拟合的标志进行线性模型截距优化后,指定为逗号分隔对组成据Code class="literal">“PostFitBias”据/code>和据Code class="literal">真正的据/code>或据Code class="literal">错误的据/code>.据/p>
价值据/th> | 描述据/th> |
---|---|
错误的据/code> |
该软件估计偏差项据E.mClass="varname">B.据/em>和系数据E.mClass="varname">β据/em>在优化。据/td> |
真正的据/code> |
估计据E.mClass="varname">B.据/em>软件:据/p>
|
如果您指定据Code class="literal">真正的据/code>, 然后据a href="#bu216n7_sep_shared-FitBias" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>Fitbias.据/code>一定是真的。据/p>
'postfitbias',true据/code>
逻辑据/code>
'verbose'据/code>-据span itemprop="purpose">冗长的水平据/span>
0.据/code>
(默认)|据span itemprop="inputvalue">非负整数据/span>
详细级别,指定为逗号分隔对组成据Code class="literal">'verbose'据/code>和一个非负整数。据Code class="literal">详细的据/code>控制诊断信息的数量据Code class="function">fitrlinear据/code>在命令行中显示。据/p>
价值据/th> | 描述据/th> |
---|---|
0.据/code> |
fitrlinear据/code>不显示诊断信息。据/td>
|
1据/code> |
fitrlinear据/code>定期显示和存储目标函数值、梯度大小和其他诊断信息。据Code class="literal">FitInfo。历史据/code>包含诊断信息。据/td>
|
任何正整数据/td> | fitrlinear据/code>在每次优化迭代时显示和存储诊断信息。据Code class="literal">FitInfo。历史据/code>包含诊断信息。据/td>
|
例子:据/strong>'verbose',1据/code>
数据类型:据/strong>双据/code>|据Code itemprop="datatype">单据/code>
“BatchSize”据/code>-据span itemprop="purpose">迷你批量尺寸据/span>
正整数据/span>
小批量大小,指定为逗号分隔的对,由据Code class="literal">“BatchSize”据/code>一个正整数。在每次迭代中,该软件估计次梯度使用据Code class="literal">BatchSize据/code>来自训练数据的观察。据/p>
如果据a href="#bu216n7_sep_shared-X" class="intrnllnk">X据/code>是一个数字矩阵,那么默认值是据Code class="literal">10据/code>.据/p>
如果据Code class="argument">X据/code>是稀疏矩阵,那么默认值是据Code class="literal">马克斯([10日装天花板(sqrt (ff))))据/code>,在那里据Code class="literal">ff =元素个数(X) / nnz (X)据/code>(这据E.mClass="firstterm">丰满的因素据/em>的据Code class="literal">X据/code>)。据/p>
例子:据/strong>'Batchsize',100据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
“LearnRate”据/code>-据span itemprop="purpose">学习速率据/span>
积极的标量据/span>
学习率,指定为逗号分隔对组成据Code class="literal">“LearnRate”据/code>一个正标量。据Code class="literal">LearnRate据/code>指定每次迭代要执行多少步骤。在每次迭代中,梯度指定了每一步的方向和大小。据/p>
如果据a href="#bu216n7_sep_shared-Regularization" class="intrnllnk">
λ据/em>是值的价值据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk"> 如果据a href="#bu216n7-Solver" class="intrnllnk"> 如果据Code class="literal">求解器据/code>是据Code class="literal">“asgd”据/code>, 然后据E.mClass="varname">C据/em>是:据/p>
2/3,如果据Code class="literal">学习者据/code>是据Code class="literal">'最不答案'据/code> 3/4如果据Code class="literal">学习者据/code>是据Code class="literal">“支持向量机”据/code>[8]据/a>正则化据/code>是据Code class="literal">“岭”据/code>, 然后据Code class="literal">LearnRate据/code>初始学习率据E.mClass="varname">γ据/em>0.据/sub>.该软件确定迭代的学习率据E.mClass="varname">T.据/em>那据E.mClass="varname">γ据sub>T.据/sub>,使用据/p>
λ据/code>.据/p>
求解器据/code>是据Code class="literal">'SGD'据/code>, 然后据E.mClass="varname">C据/em>= 1。据/p>
如果据Code class="argument">正则化据/code>是据Code class="literal">“套索”据/code>,那么,对于所有的迭代,据Code class="literal">LearnRate据/code>是恒定的。据/p>
默认情况下,据Code class="literal">LearnRate据/code>是据Code class="literal">1 /√(1 +马克斯(sum (x ^ 2, obsDim))))据/code>,在那里据Code class="literal">obsDim据/code>是据Code class="literal">1据/code>如果观察组成的列据Code class="literal">X据/code>,据Code class="literal">2据/code>否则。据/p>
例子:据/strong>'学习',0.01据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
“OptimizeLearnRate”据/code>-据span itemprop="purpose">标志以减少学习率据/span>
真正的据/code>
(默认)|据span itemprop="inputvalue">错误的据/code>
当软件检测到发散时(即逐步的最小值),指定为逗号分隔对时,标志据Code class="literal">“OptimizeLearnRate”据/code>和据Code class="literal">真正的据/code>或据Code class="literal">错误的据/code>.据/p>
如果据Code class="literal">OptimizeLearnRate据/code>是据Code class="literal">“真正的”据/code>,那么:据/p>
对于少量的优化迭代,软件开始优化使用据a href="#bu216n7-LearnRate" class="intrnllnk">LearnRate据/code>作为学习率。据/p>
如果目标函数的值增加,则软件重新启动并使用学习速率的当前值的一半。据/p>
软件迭代步骤2,直到目标函数减少。据/p>
例子:据/strong>'OptimizeLearnrate',真实据/code>
数据类型:据/strong>逻辑据/code>
“TruncationPeriod”据/code>-据span itemprop="purpose">套索截断运行之间的小批量数量据/span>
10据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
在套索截断运行之间的小批数量,指定为逗号分隔对,由据Code class="literal">“TruncationPeriod”据/code>一个正整数。据/p>
在截断运行之后,软件将软阈值应用于线性系数。也就是说,处理后据E.mClass="varname">K.据/em>=据Code class="literal">TruncationPeriod据/code>小批量,软件截断估计系数据E.mClass="varname">j据/em>使用据/p>
SGD,据span class="inlineequation">
是估计系数吗据E.mClass="varname">j据/em>处理后据E.mClass="varname">K.据/em>mini-batches。据span class="inlineequation">
γ据sub>T.据/sub>是迭代的学习率据E.mClass="varname">T.据/em>.据E.mClass="varname">λ据/em>是值的价值据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk">λ据/code>.据/p>
ASGD,据span class="inlineequation"> 平均值是估计系数吗据E.mClass="varname">j据/em>处理后据E.mClass="varname">K.据/em>mini-batches,据span class="inlineequation">
如果据a href="#bu216n7_sep_shared-Regularization" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>正则化据/code>是据Code class="literal">“岭”据/code>,然后软件忽略了据Code class="literal">TruncationPeriod据/code>.据/p>
“TruncationPeriod”,100年据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“重量”据/code>-据span itemprop="purpose">观察权重据/span>
那些(据E.mClass="varname">N据/em>1) /据E.mClass="varname">N据/em>
(默认)|据span itemprop="inputvalue">正值的数字矢量据/span>
观察权值,指定为逗号分隔的对,由据Code class="literal">“重量”据/code>和一个正的数值向量。据Code class="function">fitrlinear据/code>权衡观察结果据Code class="literal">X据/code>对应的值在据Code class="literal">重量据/code>.的大小据Code class="literal">重量据/code>必须平等据E.mClass="varname">N据/em>,观察人数据a href="#bu216n7_sep_shared-X" class="intrnllnk"> 数据类型:据/strong>X据/code>.据/p>
fitrlinear据/code>规范化据Code class="literal">重量据/code>求和为1。据/p>
双据/code>|据Code itemprop="datatype">单据/code>
“ResponseName”据/code>-据span itemprop="purpose">响应变量名称据/span>
“Y”据/code>
(默认)|据span itemprop="inputvalue">特征向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
响应变量名,指定为逗号分隔对,由据Code class="literal">“ResponseName”据/code>和一个字符矢量或字符串标量。据/p>
如果你提供据a href="#bu216n7_sep_shared-Y" class="intrnllnk">y据/code>,则可以使用据Code class="literal">“ResponseName”据/code>指定响应变量的名称。据/p>
如果你提供据Code class="argument">responsevarname.据/code>或据Code class="argument">公式据/code>,则不能使用据Code class="literal">“ResponseName”据/code>.据/p>
例子:据/strong>“ResponseName”、“响应”据/code>
数据类型:据/strong>字符据/code>|据Code itemprop="datatype">细绳据/code>
“ResponseTransform”据/code>-据span itemprop="purpose">响应转型据/span>
“没有”据/code>
(默认)|据span itemprop="inputvalue">功能手柄据/span>
响应转换,指定为逗号分隔的对,由据Code class="literal">“ResponseTransform”据/code>和任何一种据Code class="literal">“没有”据/code>或功能手柄。默认为据Code class="literal">“没有”据/code>装置,该装置据Code class="literal">@ (y) y据/code>,或者不变换。对于一个MATLAB据sup>®据/sup>函数或你定义的函数,使用它的函数句柄。函数句柄必须接受一个向量(原始响应值)并返回一个大小相同的向量(转换后的响应值)。据/p>
例子:据/strong>假设您可以使用函数句柄应用向输入向量应用指数变换据Code class="literal">myfunction = @ (y) exp (y)据/code>.然后,您可以指定响应转换为据Code class="literal">'OrkeTransform',myfunction据/code>.据/p>
数据类型:据/strong>字符据/code>|据Code itemprop="datatype">细绳据/code>|据Code itemprop="datatype">function_handle.据/code>
'CrossVal'据/code>-据span itemprop="purpose">交叉验证标志据/span>
'离开'据/code>
(默认)|据span itemprop="inputvalue">'在'据/code>
交叉验证标志,指定为逗号分隔对,由据Code class="literal">“Crossval”据/code>和据Code class="literal">'在'据/code>或据Code class="literal">'离开'据/code>.据/p>
如果您指定据Code class="literal">'在'据/code>,然后软件实现10倍交叉验证。据/p>
要覆盖此交叉验证设置,请使用以下名称值对参数之一:据a href="#bu216n7_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong>CVPartition据/code>那据a href="#bu216n7_sep_shared-Holdout" class="intrnllnk">
坚持据/code>,或据a href="#bu216n7_sep_shared-KFold" class="intrnllnk">
KFold据/code>.要创建交叉验证模型,一次只能使用一个交叉验证名称-值对参数。据/p>
'横向','开'据/code>
'cvpartition'据/code>-据span itemprop="purpose">交叉验证分区据/span>
[]据/code>
(默认)|据span itemprop="inputvalue">cvpartition据/code>分区对象据/span>
交叉验证分区,指定为逗号分隔的对,由据Code class="literal">'cvpartition'据/code>和一个据Code class="literal">cvpartition据/code>创建的分区对象据a href="//www.tianjin-qmedu.com/help/stats/cvpartition.html"> 要创建交叉验证的模型,您只能使用这四个选项之一:据Code class="literal">'据/code>cvpartition据/code>.分区对象指定交叉验证的类型,以及训练和验证集的索引。据/p>
CVPartition据/code>
'据/code>那据Code class="literal">'据/code>
坚持据/code>
'据/code>,或据Code class="literal">'据/code>
KFold据/code>
'据/code>.据/p>
“坚持”据/code>-据span itemprop="purpose">用于抵抗验证的数据部分据/span>
在范围的标量值(0,1)据/span>
用于拒绝验证的数据的一部分,指定为逗号分隔对,由据Code class="literal">“坚持”据/code>和范围内的标量值(0,1)。如果您指定据Code class="literal">“坚持”,据E.mClass="replaceable">P.据/code>
,则软件:据/p>
随机储备据Code class="literal">P.据/code>
* 100据/code>%的数据作为验证数据,并使用其余的数据训练模型据/p>
存储紧凑型培训的模型据Code class="literal">训练有素据/code>交叉验证模型的性质。据/p>
要创建交叉验证的模型,您只能使用这四个选项之一:据Code class="literal">'据/code> 例子:据/strong> 数据类型:据/strong>CVPartition据/code>
'据/code>那据Code class="literal">'据/code>
坚持据/code>
'据/code>,或据Code class="literal">'据/code>
KFold据/code>
'据/code>.据/p>
'持有',0.1据/code>
双据/code>|据Code itemprop="datatype">单据/code>
'kfold'据/code>-据span itemprop="purpose">折叠数量据/span>
10据/code>
(默认)|据span itemprop="inputvalue">正整数值大于1据/span>
要在交叉验证的分类器中使用的折叠数,指定为逗号分隔对,由据Code class="literal">'kfold'据/code>和一个大于1的正整数。如果你指定,例如:据Code class="literal">“KFold”,据E.mClass="varname">K.据/em>,则软件:据/p>
将数据随机划分为据E.mClass="varname">K.据/em>套据/p>
对于每个设置,保留设置为验证数据,并使用另一个培训模型据span class="inlineequation">K.据/em>- 1据/span>套据/p>
存储据E.mClass="replaceable">K.据/code>紧凑,训练有素的模型在细胞据E.mClass="replaceable">
K.据/code>- 1个细胞矢量据Code class="literal">训练有素据/code>交叉验证模型的性质。据/p>
要创建交叉验证的模型,您只能使用这四个选项之一:据Code class="literal">'据/code> 例子:据/strong> 数据类型:据/strong>CVPartition据/code>
'据/code>那据Code class="literal">'据/code>
坚持据/code>
'据/code>,或据Code class="literal">'据/code>
KFold据/code>
'据/code>.据/p>
“KFold”,8据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“BatchLimit”据/code>-据span itemprop="purpose">最大批数据/span>
正整数据/span>
要处理的最大批数,指定为由逗号分隔的对组成据Code class="literal">“BatchLimit”据/code>一个正整数。当软件处理据Code class="argument">BatchLimit据/code>批量,它终止优化。据/p>
默认情况下:据/p>
软件通过数据据a href="#bu216n7-PassLimit" class="intrnllnk">偏航据/code>次了。据/p>
如果指定多个求解器,并且使用(a)sgd以获得下一个求解器的初始近似,则默认值是据Code class="literal">装天花板(1 e6 / BatchSize)据/code>.据Code class="literal">BatchSize据/code>价值是多少据Code class="literal">'据/code>BatchSize据/code>
'据/code>名称-值对的论点。据/p>
如果您指定据Code class="literal">“BatchLimit”据/code>和据Code class="literal">'据/code>偏航据/code>
'据/code>,那么软件选择的论点,即处理意见最少的结果。据/p>
如果您指定据Code class="literal">“BatchLimit”据/code>但不是据Code class="literal">“PassLimit”据/code>,那么软件处理足够批次通过数据来完成长达一个整个通。据/p>
例子:据/strong>“BatchLimit”,100年据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
“BetaTolerance”据/code>-据span itemprop="purpose">线性系数和偏置术语的相对容差据/span>
1的军医据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据Code class="literal">“BetaTolerance”据/code>一个非负标量。据/p>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
中指定的最后一个求解器的软件收敛据a href="#bu216n7-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>求解器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">求解器据/code>.据/p>
e-6 BetaTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双据/code>
'numcheckconvergence'据/code>-据span itemprop="purpose">在下次收敛检查前要加工的批数据/span>
正整数据/span>
在下一个收敛检查之前处理的批次数量,指定为包括的逗号分隔对据Code class="literal">'numcheckconvergence'据/code>一个正整数。据/p>
要指定批大小,请参见据a href="#bu216n7_sep_shared-BatchSize" class="intrnllnk"> 软件检查每次通过整个数据设置约10次的收敛。据/p>
例子:据/strong> 数据类型:据/strong>BatchSize据/code>.据/p>
“NumCheckConvergence”,100年据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“PassLimit”据/code>-据span itemprop="purpose">最大通过数据/span>
1据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
通行证的最大数目通过数据,指定为逗号分隔的一对组成的据Code class="literal">“PassLimit”据/code>一个正整数。据/p>
什么时候据Code class="function">fitrlinear据/code>通过数据据Code class="argument">偏航据/code>时间,它终止了优化。据/p>
如果您指定据Code class="literal">'据/code> 例子:据/strong> 数据类型:据/strong>fitrlinear据/code>在完成一个通过数据时处理所有观察。据/p>
BatchLimit据/code>
'据/code>和据Code class="literal">偏航据/code>, 然后据Code class="function">fitrlinear据/code>选择导致处理最少观察结果的论点。有关更多详细信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">算法据/a>.据/p>
“PassLimit”,5据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“ValidationData”据/code>-据span itemprop="purpose">优化收敛检测的验证数据据/span>
单元阵列据/span>
数据为优化收敛检测,指定为逗号分隔对组成据Code class="literal">“ValidationData”据/code>和一个单元阵列。据/p>
在优化过程中,软件定期估计的损失据Code class="argument">验证数据据/code>.如果验证数据丢失增加,则软件终止优化。有关更多详细信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">算法据/a>.要使用交叉验证优化超参数,请参阅交叉验证选项,例如据a href="#bu216n7_sep_shared-CrossVal" class="intrnllnk"> 可选地,据Code class="literal">ValidationData (3)据/code>可以包含一个据E.mClass="varname">m据/em>- 观察权重的数字数控矢量。软件将权重与验证数据标准化,使其总和为1。据/p> 如果您指定据Code class="literal">验证数据据/code>,则要在命令行显示验证丢失,请指定大于0的值据a href="#bu216n7_sep_shared-Verbose" class="intrnllnk"> 中指定的最后一个求解器的软件收敛据a href="#bu216n7-Solver" class="intrnllnk"> 默认情况下,该软件不会通过监视验证数据丢失来检测收敛。据/p>
横梁据/code>.据/p>
ValidationData (1)据/code>必须包含一个据E.mClass="varname">m据/em>——- - - - - -据E.mClass="varname">P.据/em>或据E.mClass="varname">P.据/em>——- - - - - -据E.mClass="varname">m据/em>具有相同方向的预测数据的全矩阵或稀疏矩阵据a href="#bu216n7_sep_shared-X" class="intrnllnk">
X据/code>.训练数据中的预测变量据Code class="literal">X据/code>和据Code class="literal">ValidationData {1}据/code>必须对应。在这两组中观测的数量可能是不同的。据/p>
ValidationData (2)据/code>必须包含的数组据E.mClass="varname">m据/em>响应的长度对应的数量的观察据Code class="literal">ValidationData {1}据/code>.据/p>
详细的据/code>.据/p>
求解器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">求解器据/code>.据/p>
'gradienttolerance'据/code>-据span itemprop="purpose">绝对梯度容差据/span>
1 e-6据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
绝对梯度公差,指定为逗号分隔的一对组成的据Code class="literal">'gradienttolerance'据/code>一个非负标量。据Code class="literal">梯度特拉据/code>适用于这些值据a href="#bu216n7-Solver" class="intrnllnk"> 让据span class="inlineequation">
为优化迭代时目标函数相对于系数和偏差项的梯度向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation">
,则优化终止。据/p>
如果你也指定据a href="#bu216n7_sep_shared-sgdBetaTolerance" class="intrnllnk"> 如果据Code class="function">fitrlinear据/code>最后求解收敛在规定据Code class="argument">求解器据/code>,则优化终止。否则,据Code class="function">fitrlinear据/code>使用指定的下一个解算程序据Code class="argument">求解器据/code>.据/p>
例子:据/strong> 数据类型:据/strong>求解器据/code>:据Code class="literal">“蓄热”据/code>那据Code class="literal">“lbfgs”据/code>,据Code class="literal">'sparsa'据/code>.据/p>
BetaTolerance据/code>,则优化终止据Code class="function">fitrlinear据/code>满足阻止标准。据/p>
GradientTolerance,每股收益据/code>
单据/code>|据Code itemprop="datatype">双据/code>
'IterationLimit'据/code>-据span itemprop="purpose">最大优化迭代次数据/span>
1000据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
最大数量的优化迭代,指定为逗号分隔对据Code class="literal">'IterationLimit'据/code>一个正整数。据Code class="literal">IterationLimit据/code>适用于这些值据a href="#bu216n7-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>求解器据/code>:据Code class="literal">“蓄热”据/code>那据Code class="literal">“lbfgs”据/code>,据Code class="literal">'sparsa'据/code>.据/p>
e7 IterationLimit, 1据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“BetaTolerance”据/code>-据span itemprop="purpose">线性系数和偏置术语的相对容差据/span>
1的军医据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据Code class="literal">“BetaTolerance”据/code>一个非负标量。据/p>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果你也指定据a href="#bu216n7-DeltaGradientTolerance" class="intrnllnk"> 中指定的最后一个求解器的软件收敛据a href="#bu216n7-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>DeltaGradientTolerance据/code>,则当软件满足任一停止条件时,优化终止。据/p>
求解器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">求解器据/code>.据/p>
e-6 BetaTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“DeltaGradientTolerance”据/code>-据span itemprop="purpose">Gradient-difference宽容据/span>
0.1据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
上部和下部池之间的梯度差分容差据a href="//www.tianjin-qmedu.com/help/stats/fitcsvm.html" class="a">Karush-Kuhn-Tucker(KKT)互补条件据/a>违反者,指定为逗号分隔的对,由据Code class="literal">“DeltaGradientTolerance”据/code>一个非负标量。据Code class="literal">DeltaGradientTolerance据/code>适用于据Code class="literal">'双重的'据/code>的价值据a href="#bu216n7-Solver" class="intrnllnk"> 如果KKT违反者的大小小于据Code class="literal">DeltaGradientTolerance据/code>, 然后据Code class="function">fitrlinear据/code>终止优化。据/p> 如果据Code class="function">fitrlinear据/code>最后求解收敛在规定据Code class="argument">求解器据/code>,则优化终止。否则,据Code class="function">fitrlinear据/code>使用指定的下一个解算程序据Code class="argument">求解器据/code>.据/p> 例子:据/strong> 数据类型:据/strong>求解器据/code>只要。据/p>
依照“DeltaGapTolerance”,1据/code>
双据/code>|据Code itemprop="datatype">单据/code>
'numcheckconvergence'据/code>-据span itemprop="purpose">在下一次收敛检查之前,经过整个数据集处理的次数据/span>
5.据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
通过整个数据集的传递数量在下一次收敛检查之前进行处理,指定为包括的逗号分隔对据Code class="literal">'numcheckconvergence'据/code>一个正整数。据/p>
例子:据/strong>“NumCheckConvergence”,100年据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
“PassLimit”据/code>-据span itemprop="purpose">最大通过数据/span>
10据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
通行证的最大数目通过数据,指定为逗号分隔的一对组成的据Code class="literal">“PassLimit”据/code>一个正整数。据/p>
当软件完成一次遍历数据时,它已经处理了所有的观察结果。据/p>
当软件通过数据时据Code class="argument">偏航据/code>时间,它终止了优化。据/p>
例子:据/strong>“PassLimit”,5据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
“ValidationData”据/code>-据span itemprop="purpose">优化收敛检测的验证数据据/span>
单元阵列据/span>
数据为优化收敛检测,指定为逗号分隔对组成据Code class="literal">“ValidationData”据/code>和一个单元阵列。据/p>
在优化过程中,软件定期估计的损失据Code class="argument">验证数据据/code>.如果验证数据丢失增加,则软件终止优化。有关更多详细信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">算法据/a>.要使用交叉验证优化超参数,请参阅交叉验证选项,例如据a href="#bu216n7_sep_shared-CrossVal" class="intrnllnk"> 可选地,据Code class="literal">ValidationData (3)据/code>可以包含一个据E.mClass="varname">m据/em>- 观察权重的数字数控矢量。软件将权重与验证数据标准化,使其总和为1。据/p> 如果您指定据Code class="literal">验证数据据/code>,则要在命令行显示验证丢失,请指定大于0的值据a href="#bu216n7_sep_shared-Verbose" class="intrnllnk"> 中指定的最后一个求解器的软件收敛据a href="#bu216n7-Solver" class="intrnllnk"> 默认情况下,该软件不会通过监视验证数据丢失来检测收敛。据/p>
横梁据/code>.据/p>
ValidationData (1)据/code>必须包含一个据E.mClass="varname">m据/em>——- - - - - -据E.mClass="varname">P.据/em>或据E.mClass="varname">P.据/em>——- - - - - -据E.mClass="varname">m据/em>具有相同方向的预测数据的全矩阵或稀疏矩阵据a href="#bu216n7_sep_shared-X" class="intrnllnk">
X据/code>.训练数据中的预测变量据Code class="literal">X据/code>和据Code class="literal">ValidationData {1}据/code>必须对应。在这两组中观测的数量可能是不同的。据/p>
ValidationData (2)据/code>必须包含的数组据E.mClass="varname">m据/em>响应的长度对应的数量的观察据Code class="literal">ValidationData {1}据/code>.据/p>
详细的据/code>.据/p>
求解器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">求解器据/code>.据/p>
“BetaTolerance”据/code>-据span itemprop="purpose">线性系数和偏置术语的相对容差据/span>
1的军医据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据Code class="literal">“BetaTolerance”据/code>一个非负标量。据/p>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果你也指定据a href="#bu216n7-GradientTolerance" class="intrnllnk"> 中指定的最后一个求解器的软件收敛据a href="#bu216n7-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>梯度特拉据/code>,则当软件满足任一停止条件时,优化终止。据/p>
求解器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">求解器据/code>.据/p>
e-6 BetaTolerance, 1据/code>
单据/code>|据Code itemprop="datatype">双据/code>
'gradienttolerance'据/code>-据span itemprop="purpose">绝对梯度容差据/span>
1 e-6据/code>
(默认)|据span itemprop="inputvalue">负的标量据/span>
绝对梯度公差,指定为逗号分隔的一对组成的据Code class="literal">'gradienttolerance'据/code>一个非负标量。据/p>
让据span class="inlineequation"> 为优化迭代时目标函数相对于系数和偏差项的梯度向量据E.mClass="varname">T.据/em>.如果据span class="inlineequation"> ,则优化终止。据/p>
如果你也指定据a href="#bu216n7_sep_shared-sgdBetaTolerance" class="intrnllnk"> 如果软件收敛到软件中指定的最后一个求解器,则优化终止。否则,软件将使用中指定的下一个求解器据a href="#bu216n7-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>BetaTolerance据/code>,则当软件满足任一停止条件时,优化终止。据/p>
求解器据/code>.据/p>
'GradientTolerance',1E-5据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“HessianHistorySize”据/code>-据span itemprop="purpose">Hessian近似的历史缓冲区的大小据/span>
15据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
Hessian近似的历史缓冲区的大小,指定为逗号分隔对组成据Code class="literal">“HessianHistorySize”据/code>一个正整数。也就是说,在每次迭代中,软件组成的使用统计数据,从最新的黑森州据Code class="literal">HessianHistorySize据/code>迭代。据/p>
软件不支持万博1manbetx据Code class="literal">“HessianHistorySize”据/code>SpaRSA。据/p>
例子:据/strong>“HessianHistorySize”,10据/code>
数据类型:据/strong>单据/code>|据Code itemprop="datatype">双据/code>
'IterationLimit'据/code>-据span itemprop="purpose">最大优化迭代次数据/span>
1000据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
最大数量的优化迭代,指定为逗号分隔对据Code class="literal">'IterationLimit'据/code>一个正整数。据Code class="literal">IterationLimit据/code>适用于这些值据a href="#bu216n7-Solver" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>求解器据/code>:据Code class="literal">“蓄热”据/code>那据Code class="literal">“lbfgs”据/code>,据Code class="literal">'sparsa'据/code>.据/p>
“IterationLimit”,500年据/code>
单据/code>|据Code itemprop="datatype">双据/code>
“ValidationData”据/code>-据span itemprop="purpose">优化收敛检测的验证数据据/span>
单元阵列据/span>
数据为优化收敛检测,指定为逗号分隔对组成据Code class="literal">“ValidationData”据/code>和一个单元阵列。据/p>
在优化过程中,软件定期估计的损失据Code class="argument">验证数据据/code>.如果验证数据丢失增加,则软件终止优化。有关更多详细信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">算法据/a>.要使用交叉验证优化超参数,请参阅交叉验证选项,例如据a href="#bu216n7_sep_shared-CrossVal" class="intrnllnk"> 可选地,据Code class="literal">ValidationData (3)据/code>可以包含一个据E.mClass="varname">m据/em>- 观察权重的数字数控矢量。软件将权重与验证数据标准化,使其总和为1。据/p> 如果您指定据Code class="literal">验证数据据/code>,则要在命令行显示验证丢失,请指定大于0的值据a href="#bu216n7_sep_shared-Verbose" class="intrnllnk"> 中指定的最后一个求解器的软件收敛据a href="#bu216n7-Solver" class="intrnllnk"> 默认情况下,该软件不会通过监视验证数据丢失来检测收敛。据/p>
横梁据/code>.据/p>
ValidationData (1)据/code>必须包含一个据E.mClass="varname">m据/em>——- - - - - -据E.mClass="varname">P.据/em>或据E.mClass="varname">P.据/em>——- - - - - -据E.mClass="varname">m据/em>具有相同方向的预测数据的全矩阵或稀疏矩阵据a href="#bu216n7_sep_shared-X" class="intrnllnk">
X据/code>.训练数据中的预测变量据Code class="literal">X据/code>和据Code class="literal">ValidationData {1}据/code>必须对应。在这两组中观测的数量可能是不同的。据/p>
ValidationData (2)据/code>必须包含的数组据E.mClass="varname">m据/em>响应的长度对应的数量的观察据Code class="literal">ValidationData {1}据/code>.据/p>
详细的据/code>.据/p>
求解器据/code>,则优化终止。否则,软件将使用中指定的下一个求解器据Code class="argument">求解器据/code>.据/p>
'OptimizeHyperparameters'据/code>-据span itemprop="purpose">优化的参数据/span>
“没有”据/code>
(默认)|据span itemprop="inputvalue">'汽车'据/code>
|据span itemprop="inputvalue">“所有”据/code>
|据span itemprop="inputvalue">字符串数组或符合条件的参数名的单元阵列据/span>|据span itemprop="inputvalue">向量的据Code class="literal">optimizableVariable据/code>对象据/span>
要优化的参数,指定为逗号分隔的对据Code class="literal">'OptimizeHyperparameters'据/code>和以下之一:据/p>
“没有”据/code>-不要优化。据/p>
'汽车'据/code>——使用据Code class="literal">{“λ”、“学习者”}据/code>.据/p>
“所有”据/code>-优化所有符合条件的参数。据/p>
符合条件的参数名称的字符串数组或单元格数组。据/p>
向量的据Code class="literal">optimizableVariable据/code>对象的输出据a href="//www.tianjin-qmedu.com/help/stats/hyperparameters.html">普遍存在据/code>.据/p>
优化的尝试,以尽量减少交叉验证的损失(错误)据Code class="function">fitrlinear据/code>通过改变参数。要控制交叉验证类型和其他方面的优化,请使用据a href="#bu216n7_sep_shared-HyperparameterOptimizationOptions" class="intrnllnk"> 符合条件的参数据Code class="function">fitrlinear据/code>是:据/p>
通过传递的向量来设置非默认参数据Code class="literal">optimizableVariable据/code>具有非默认值的对象。例如,据/p>
经过据Code class="literal">PARAMS据/code>作为价值据Code class="literal">OptimizeHyperparameters据/code>.据/p>
默认情况下,迭代显示将显示在命令行中,并且根据优化中的超参数数量出现曲线。对于优化和图,目标函数是据span class="inlineequation">Log(1 +交叉验证损失)据/span>为回归和误分类率为分类。若要控制迭代显示,请设置据Code class="literal">详细的据/code>领域据Code class="argument">“HyperparameterOptimizationOptions”据/code>名称-值对的论点。要控制图,请设置据Code class="literal">Showplots.据/code>领域据Code class="argument">“HyperparameterOptimizationOptions”据/code>名称-值对的论点。据/p>
例如,请参见据a href="//www.tianjin-qmedu.com/help/stats/fitrlinear.html" class="intrnllnk">优化线性回归据/a>.据/p>
例子:据/strong>HyperparameterOptimizationOptions据/code>名称-值对。据/p>
请注意据/h3>
'OptimizeHyperparameters'据/code>值覆盖使用其他名称-值对参数设置的任何值。例如,设置据Code class="literal">'OptimizeHyperparameters'据/code>来据Code class="literal">'汽车'据/code>导致据Code class="literal">'汽车'据/code>申请的值。据/p>
λ据/code>
-据Code class="function">fitrlinear据/code>在正值中搜索,默认在范围内按对数缩放据Code class="literal">[1E-5 / numobservations,1e5 / numobservations]据/code>.据/p>学习者据/code>
-据Code class="function">fitrlinear据/code>搜索中据Code class="literal">“支持向量机”据/code>和据Code class="literal">'最不答案'据/code>.据/p>正则化据/code>
-据Code class="function">fitrlinear据/code>搜索中据Code class="literal">“岭”据/code>和据Code class="literal">“套索”据/code>.据/p>加载据span style="color:#A020F0">carsmall据/span>params = hyperparameters (据span style="color:#A020F0">'fitrinear'据/span>,[马力,重量],mpg);Params(1).range = [1e-3,2e4];据/pre>
“OptimizeHyperparameters”、“汽车”据/code>
“HyperparameterOptimizationOptions”据/code>-据span itemprop="purpose">选择优化据/span>
结构据/span>
用于优化的选项,指定为逗号分隔的对,由据Code class="literal">“HyperparameterOptimizationOptions”据/code>和一个结构。此论点修改了效果据a href="#bu216n7-OptimizeHyperparameters" class="intrnllnk"> 获取函数的名称包括据Code class="literal">每秒据/code>不会产生可重复的结果,因为优化依赖于目标函数的运行时间。获取函数的名称包括据Code class="literal">+据/code>当它们过度开放区域时修改其行为。有关更多详细信息,请参阅据a href="//www.tianjin-qmedu.com/help/stats/bayesian-optimization-algorithm.html" class="a">采集功能类型据/a>.据/p> 时限,指定为正实。时间限制以秒为单位,用据a href="//www.tianjin-qmedu.com/help/matlab/ref/tic.html"> 显示到命令行。据/p>
具体操作请参见据Code class="function">bayesopt据/code> 指示是否在每次迭代时重新划分交叉验证的逻辑值。如果据Code class="literal">错误的据/code>,优化器使用单个分区进行优化。据/p> 例子:据/strong> 数据类型:据/strong>OptimizeHyperparameters据/code>名称-值对的论点。结构中的所有字段都是可选的。据/p>
字段名据/th>
值据/th>
默认的据/th>
优化器据/code>
'Bayesopt'据/code>- 使用贝叶斯优化。在内部,此设置来电据a href="//www.tianjin-qmedu.com/help/stats/bayesopt.html">
bayesopt据/code>.据/p>
'gridsearch'据/code>- 使用网格搜索据Code class="literal">numgriddivisiving.据/code>每个维度的值。据/p>
'randomsearch'据/code>- 在搜索中随机据Code class="literal">MaxObjectiveEvaluations据/code>要点。据/p>
'gridsearch'据/code>以随机顺序搜索,使用均匀抽样而不从网格中替换。优化之后,您可以使用该命令获得一个按网格顺序排列的表据Code class="literal">sortrows (Mdl.HyperparameterOptimizationResults)据/code>.据/p>
'Bayesopt'据/code>
AcquisitionFunctionName据/code>
'预期 - 每秒改善'据/code>
“expected-improvement”据/code>
“expected-improvement-plus”据/code>
“expected-improvement-per-second”据/code>
“lower-confidence-bound”据/code>
'改善概率'据/code>
'预期 - 每秒改善'据/code>
MaxObjectiveEvaluations据/code>
目标函数求值的最大次数。据/td>
30.据/code>为了据Code class="literal">'Bayesopt'据/code>或据Code class="literal">'randomsearch'据/code>,和整个网格据Code class="literal">'gridsearch'据/code>
MaxTime.据/code>
Tic.据/code>和据a href="//www.tianjin-qmedu.com/help/matlab/ref/toc.html">
toc据/code>.运行时间可超过据Code class="literal">MaxTime.据/code>因为据Code class="literal">MaxTime.据/code>不中断函数计算。据/p>
INF.据/code>
numgriddivisiving.据/code>
为了据Code class="literal">'gridsearch'据/code>,每个维度中的值数。该值可以是正整数的向量,其提供每个维度的值数,或者适用于所有维度的标量。对于分类变量,忽略此字段。据/td>
10据/code>
Showplots.据/code>
逻辑值,指示是否显示图表。如果据Code class="literal">真正的据/code>,该域根据迭代次数绘制出最佳目标函数值。如果有一个或两个优化参数,如果据Code class="literal">优化器据/code>是据Code class="literal">'Bayesopt'据/code>, 然后据Code class="literal">Showplots.据/code>还根据参数绘制目标函数的模型。据/td>
真正的据/code>
SaveIntermediateResults据/code>
指示是否保存结果的逻辑值据Code class="literal">优化器据/code>是据Code class="literal">'Bayesopt'据/code>.如果据Code class="literal">真正的据/code>,此字段将覆盖名为据Code class="literal">“BayesoptResults”据/code>在每次迭代。变量是一个据a href="//www.tianjin-qmedu.com/help/stats/bayesianoptimization.html"> BayesianOptimization据/code>对象。据/td>
错误的据/code>
详细的据/code>
0.据/code>-没有迭代显示据/p>
1据/code>——迭代显示据/p>
2据/code>-重复显示额外的信息据/p>
详细的据/code>
名称-值对的论点。据/p>1据/code>
UseParallel据/code>
指示是否并行运行贝叶斯优化的逻辑值,这需要并行计算工具箱™。由于并行时序的不可再现性,并行贝叶斯优化并不一定产生可再现的结果。有关详细信息,请参见据a href="//www.tianjin-qmedu.com/help/stats/parallel_bayesian_optimization.html" class="a">平行的贝叶斯优化据/a>.据/td>
错误的据/code>
重新分区据/code>
真正的据/code>通常给出最强大的结果,因为此设置考虑了划分的噪声。但是,为了好的结果,据Code class="literal">真正的据/code>需要至少两倍的函数评估。据/p>
错误的据/code>
不超过以下三个字段名称中的一个。据/td>
CVPartition据/code>
一种据Code class="literal">cvpartition据/code>对象创建的据a href="//www.tianjin-qmedu.com/help/stats/cvpartition.html"> cvpartition据/code>.据/td>
'kfold',5据/code>如果您未指定任何交叉验证字段据/td>
坚持据/code>
范围内的标量据Code class="literal">(0,1)据/code>表示不渗透性分数。据/td>
kfold.据/code>
大于1的整数。据/td>
“HyperparameterOptimizationOptions”、结构(MaxObjectiveEvaluations, 60)据/code>
结构体据/code>
Mdl据/code>- 培训的线性回归模型据B.r>RegressionLinear据/code>模型对象|据Code class="literal">RegressionPartitionedLinear据/code>交叉验证的模型对象据/span>
训练过的线性回归模型,返回为据a href="//www.tianjin-qmedu.com/help/stats/regressionlinear-class.html"> 如果设置任何名称值对参数据a href="#bu216n7_sep_shared-KFold" class="intrnllnk"> 引用据Code class="literal">Mdl据/code>,使用点符号。例如,输入据Code class="literal">Mdl。β据/code>,以显示估计系数的矢量或矩阵。据/p>
与其他回归模型不同,为了节省内存使用,据Code class="literal">RegressionLinear据/code>和据Code class="literal">RegressionPartitionedLinear据/code>模型对象不存储训练数据或优化细节(例如,收敛历史)。据/p>
RegressionLinear据/code>模型对象或据a href="//www.tianjin-qmedu.com/help/stats/classreg.learning.partition.regressionpartitionedlinear-class.html">
RegressionPartitionedLinear据/code>交叉验证的模型对象。据/p>
KFold据/code>那据a href="#bu216n7_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据a href="#bu216n7_sep_shared-CrossVal" class="intrnllnk">
横梁据/code>,或据a href="#bu216n7_sep_shared-CVPartition" class="intrnllnk">
CVPartition据/code>, 然后据Code class="literal">Mdl据/code>是一个据Code class="literal">RegressionPartitionedLinear据/code>交叉验证的模型对象。否则,据Code class="literal">Mdl据/code>是一个据Code class="literal">RegressionLinear据/code>模型对象。据/p>
请注意据/h3>
FitInfo据/code>- 优化细节据B.r>结构阵列据/span>
优化细节,作为结构数组返回。据/p>
字段指定最终值或名称-值对参数说明,例如,据Code class="literal">客观的据/code>为优化结束时目标函数的值。多维字段的行对应于的值据a href="#bu216n7_sep_shared-Lambda" class="intrnllnk"> 该表描述了一些值得注意的字段。据/p>
原因终止优化据/p> 对应于一个值据Code class="literal">TerminationCode据/code> 每个迭代的优化信息的结构阵列。场据Code class="literal">求解器据/code>存储求解器使用整数编码类型。据/p>
要访问字段,请使用点表示法。例如,要访问每次迭代的目标函数值的向量,请输入据Code class="literal">fitinfo.history.objective.据/code>.据/p>
检查是良好的做法据Code class="literal">FitInfo据/code>评估收敛是否令人满意。据/p>
λ据/code>列对应的值据a href="#bu216n7-Solver" class="intrnllnk">
求解器据/code>.据/p>
场地据/th>
描述据/th>
terminationStatus.据/code>
Fittime.据/code>
流逝,挂钟时间,以秒为单位据/td>
历史据/code>
整数据/th>
求解器据/th>
1据/td>
SGD.据/td>
2据/td>
ASGD据/td>
3.据/td>
支持向量机的双SGD据/td>
4.据/td>
LBFGS据/td>
5.据/td>
BFGS.据/td>
6.据/td>
SpaRSA据/td>
HyperParameterOptimationResults.据/code>-超参数的交叉验证优化据B.r>BayesianOptimization据/code>对象|超参数和关联值表据/span>
超参数的交叉验证优化,返回为据a href="//www.tianjin-qmedu.com/help/stats/bayesianoptimization.html">BayesianOptimization据/code>对象或包含超参数和关联值的表。的值时输出非空据Code class="argument">'OptimizeHyperparameters'据/code>不是据Code class="literal">“没有”据/code>.输出值取决于据Code class="literal">优化器据/code>田地值据Code class="literal">“HyperparameterOptimizationOptions”据/code>名称值对参数:据/p>
的价值据Code class="literal">优化器据/code>场地据/th>
的价值据Code class="argument">HyperParameterOptimationResults.据/code>
'Bayesopt'据/code>(默认)据/td>
对象的类据a href="//www.tianjin-qmedu.com/help/stats/bayesianoptimization.html">
BayesianOptimization据/code>
'gridsearch'据/code>或据Code class="literal">'randomsearch'据/code>
使用的超参数表,观察到的客观函数值(交叉验证丢失),以及从最低(最佳)到最高(最差)的观测等级据/td>
如果据Code class="argument">学习者据/code>是据Code class="literal">'最不答案'据/code>,则目标函数中的损失项为MSE的一半。据a href="//www.tianjin-qmedu.com/help/stats/classificationlinear.loss.html">损失据/code>默认情况下返回MSE。因此,如果你使用据Code class="literal">损失据/code>检查再替换,或训练,错误,那么在返回的MSE之间有一个差异据Code class="literal">损失据/code>和优化结果据Code class="argument">FitInfo据/code>或通过使用设置正详细级别返回命令行据Code class="argument">详细的据/code>.据/p>
一种据E.mClass="firstterm">温暖的开始据/em>是提供给优化程序的beta系数和偏差项的初始估计,以更快地收敛。据/p>
高维线性分类和回归模型相对较快地最小化目标函数,但代价是一些精度,只有数值预测变量的限制,模型必须与参数线性相关。如果您的预测数据集是低至中维的,或包含异质变量,那么您应该使用适当的分类或回归拟合函数。要帮助您确定适合低维数据集的拟合函数,请使用此表。据/p>
模型以适应据/th> | 函数据/th> | 著名的算法不同据/th> |
---|---|---|
支持向量机据/td> |
|
|
线性回归据/td> |
|
|
逻辑回归据/td> |
|
|
最好的做法是调整预测器矩阵的方向,使观察结果与列对应并指定据Code class="literal">'观察','列'据/code>.因此,您可以体验到优化执行时间的显着减少。据/p>
如果是更好的优化准确性据a href="#bu216n7_sep_shared-X" class="intrnllnk"> 其他组合可能导致较差的优化精度。据/p>X据/code>高维,据a href="#bu216n7_sep_shared-Regularization" class="intrnllnk">
正则化据/code>是据Code class="literal">“岭”据/code>,设置任何这些组合中的用于据a href="#bu216n7-Solver" class="intrnllnk">
求解器据/code>:据/p>
'SGD'据/code>
“asgd”据/code>
'双重的'据/code>如果据a href="#bu216n7-Learner" class="intrnllnk">
学习者据/code>是据Code class="literal">“支持向量机”据/code>
{“sgd”、“lbfgs”}据/code>
{'ASGD','LBFGS'}据/code>
{“双”、“lbfgs”}据/code>如果据Code class="argument">学习者据/code>是据Code class="literal">“支持向量机”据/code>
如果是更好的优化准确性据Code class="argument">X据/code>中等通过低维和据Code class="argument">正则化据/code>是据Code class="literal">“岭”据/code>, 放据Code class="argument">求解器据/code>来据Code class="literal">“蓄热”据/code>.据/p>
如果据Code class="argument">正则化据/code>是据Code class="literal">“套索”据/code>,设置任何这些组合中的用于据Code class="argument">求解器据/code>:据/p>
'SGD'据/code>
“asgd”据/code>
'sparsa'据/code>
{ 'SGD', 'sparsa'}据/code>
{'Asgd','sparsa'}据/code>
在SGD和ASGD之间选择时,考虑:据/p>
SGD每次迭代花费的时间更少,但是需要更多的迭代来收敛。据/p>
ASGD需要更少的迭代来收敛,但是每个迭代需要更多的时间。据/p>
如果据Code class="argument">X据/code>有很少的观察,但许多预测变量,然后:据/p>
指定据Code class="literal">'postfitbias',true据/code>.据/p>
对于SGD或ASGD求解器,请设置据a href="#bu216n7-PassLimit" class="intrnllnk">偏航据/code>到大于1的正整数,例如5或10。这种设置通常会得到更好的精度。据/p>
对于SGD和ASGD求解器,据a href="#bu216n7_sep_shared-BatchSize" class="intrnllnk"> 如果据Code class="literal">BatchSize据/code>那太小了据Code class="function">fitrlinear据/code>在多次迭代中达到最小值,但每次迭代快速计算梯度。据/p> 如果据Code class="literal">BatchSize据/code>是不是太大了据Code class="function">fitrlinear据/code>在更少的迭代中达到最小值,但每次迭代的梯度计算很慢。据/p>BatchSize据/code>影响收敛速度。据/p>
大的学习速率(见据a href="#bu216n7-LearnRate" class="intrnllnk">LearnRate据/code>)加速收敛到最小值,但可能导致发散(即超过最小值)。小的学习速率确保收敛到最小值,但可能导致缓慢的终止。据/p>
使用套索处罚时,实验有各种值据a href="#bu216n7_sep_shared-TruncationPeriod" class="intrnllnk">TruncationPeriod据/code>.例如,设置据Code class="argument">TruncationPeriod据/code>来据Code class="literal">1据/code>那据Code class="literal">10据/code>,然后据Code class="literal">One hundred.据/code>.据/p>
为了提高效率,据Code class="function">fitrlinear据/code>不标准化预测器数据。标准化据Code class="argument">X据/code>,输入据/p>
X = bsxfun (@rdivide bsxfun (@minus X,意味着(X, 2)),性病(0,2));据/pre>
代码要求您将预测器和观察值定位为的行和列据Code class="literal">X据/code>,分别。此外,为了节省内存使用,代码将原始预测数据替换为标准化数据。据/p>
培训模型后,您可以生成C / C ++代码,该代码预测新数据的响应。生成C / C ++代码需要据span class="entity">MATLAB编码器™据/span>.有关详细信息,请参见据a href="//www.tianjin-qmedu.com/help/stats/introduction-to-code-generation.html" class="a">代码生成简介据/a>.据/span>
如果您指定据a href="#bu216n7_sep_shared-ValidationData" class="intrnllnk"> 什么时候据Code class="function">fitrlinear据/code>估计验证损失,它将估计与最小估计进行比较。据/p> 当随后的验证损失估计超过最小估计5倍时,据Code class="function">fitrlinear据/code>终止优化。据/p>验证数据据/code>,则在目标函数优化过程中:据/p>
fitrlinear据/code>估计验证损失据Code class="argument">验证数据据/code>定期使用当前模型,并跟踪最小估计。据/p>
如果您指定据Code class="argument">验证数据据/code>并实现交叉验证程序(据a href="#bu216n7_sep_shared-CrossVal" class="intrnllnk"> 一次据Code class="function">fitrlinear据/code>在满足停止准则的情况下,基于优化后的线性系数和截距构造训练模型。据/p>
如果你实现据E.mClass="varname">K.据/em>倍交叉验证,据Code class="function">fitrlinear据/code>还没有用尽所有的训练套路,那么据Code class="function">fitrlinear据/code>返回到步骤2,使用下一个训练集折叠进行训练。据/p> 否则,据Code class="function">fitrlinear据/code>终止训练,然后返回交叉验证的模型。据/p> 您可以确定交叉验证模型的质量。例如:据/p>
要使用步骤1的熔断或折叠折叠数据来确定验证损失,将交叉验证的模型传递给据Code class="literal">kfoldLoss据/code>.据/p> 为了预测第1步中顽固或未折叠数据的观测结果,将交叉验证的模型传递给据Code class="literal">kfoldPredict据/code>.据/p>横梁据/code>那据a href="#bu216n7_sep_shared-CVPartition" class="intrnllnk">
CVPartition据/code>那据a href="#bu216n7_sep_shared-Holdout" class="intrnllnk">
坚持据/code>,或据a href="#bu216n7_sep_shared-KFold" class="intrnllnk">
KFold据/code>), 然后:据/p>
fitrlinear据/code>随机分区据a href="#bu216n7_sep_shared-X" class="intrnllnk">
X据/code>和据a href="#bu216n7_sep_shared-Y" class="intrnllnk">
y据/code>根据您选择的交叉验证程序。据/p>
fitrlinear据/code>使用培训数据分区列车模型。在客观功能优化期间,据Code class="function">fitrlinear据/code>使用据Code class="literal">验证数据据/code>作为终止优化的另一种可能的方法(有关详细信息,请参阅先前的子弹)。据/p>
[1] HO,C.H.和C. J. Lin。“大规模线性支持向量回归。”万博1manbetx据E.mClass="citetitle">机器学习研究杂志据/em>,卷。13,2012,第3323-3348。据/p>
[2]谢,C.J.,K. W.昌,C.J。林,S. S. Keerthi,和S. Sundararajan。“A双坐标为大规模线性SVM下降法。”据E.mClass="citetitle">第25届国际机器学习会议论文集,ICML’08据/em>,2001年,第408-415页。据/p>
李磊,张涛。“基于截断梯度的稀疏在线学习”。据E.mClass="citetitle">j·马赫。学习。Res。据/em>, 2009年第10卷,第777-801页。据/p>
Nocedal, J.和S. J. Wright。据E.mClass="citetitle">数值优化据/em>,第二次,纽约:春天,2006年。据/p>
[5] Shalev-Shwartz,S.,Y.歌手和N. Srebro。“PEGASOS:SVM的原始估计子梯度求解器。”据E.mClass="citetitle">机器学习,ICML '07第24届国际会议论文集据/em>, 2007,第807-814页。据/p>
莱特,S. J., R. D.诺瓦克,M. A. T. Figueiredo。“可分离近似稀疏重建”。据E.mClass="citetitle">反式。Proc团体。据/em>,卷。57,2009年7月7日,第2479-2493。据/p>
肖[7],林。“正则化随机学习和在线优化的双重平均方法”。据E.mClass="citetitle">j·马赫。学习。Res。据/em>,卷。2010年11月11日,第2543-2596。据/p>
[8]徐卫。“争取最优的一个通行证大规模学习与场均随机梯度下降。”据E.mClass="citetitle">corr据/em>、abs / 1107.2490, 2011年。据/p>
使用注意事项及限制:据/p>
与内存中的参数相比,一些名称-值对参数有不同的默认值和值据Code class="function">fitrlinear据/code>功能。万博1manbetx支持的名称值对参数以及任何差异,是:据/p>
‘ε’据/code>
'观察'据/code>——万博1manbetx只支持据Code class="function">'行'据/code>.据/p>
'lambda'据/code>- 可据Code class="literal">'汽车'据/code>(默认)或标量。据/p>
“学习者”据/code>
'正规化'据/code>——万博1manbetx只支持据Code class="literal">“岭”据/code>.据/p>
“规划求解”据/code>——万博1manbetx只支持据Code class="literal">“lbfgs”据/code>.据/p>
'verbose'据/code>- 默认值是据Code class="literal">1据/code>
“β”据/code>
'偏见'据/code>
'fitbias'据/code>——万博1manbetx只支持据Code class="literal">真正的据/code>.据/p>
“重量”据/code>—Value必须为高数组。据/p>
“HessianHistorySize”据/code>
“BetaTolerance”据/code>—默认值为据Code class="literal">1 e - 3据/code>.据/p>
'gradienttolerance'据/code>—默认值为据Code class="literal">1 e - 3据/code>.据/p>
'IterationLimit'据/code>—默认值为据Code class="literal">20.据/code>.据/p>
'OptimizeHyperparameters'据/code>——的价值据Code class="literal">'正规化'据/code>参数必须据Code class="literal">“岭”据/code>.据/p>
“HyperparameterOptimizationOptions”据/code>-对于交叉验证,只支持高优化万博1manbetx据Code class="literal">“坚持”据/code>验证。例如,可以指定据Code class="literal">fitrlinear(X,Y, 'OptimizeHyperparameters', '自动', 'HyperparameterOptimizationOptions',结构( '不吸墨性',0.2))据/code>.据/p>
适合个子高的数组据Code class="function">fitrlinear据/code>实现LBFGS的方法是在每次迭代时将损耗和梯度的计算分布在高阵的不同部分。其他解算器对于长数组是不可用的。据/p>
的初始值据Code class="literal">β据/code>和据Code class="literal">偏见据/code>不给,据Code class="function">fitrlinear据/code>首先,通过将模型局部拟合到部分数据并通过平均结合系数来改进参数的初始估计。据/p>
有关更多信息,请参见据a href="//www.tianjin-qmedu.com/help/matlab/tall-arrays.html" class="a">高大的数组据/a>(MATLAB)。据/p>
要并行运行,请设置据Code class="literal">“UseParallel”据/code>选项据Code class="literal">真正的据/code>.据/p>
执行并行超参数优化,使用据Code class="literal">“HyperparameterOptions”、结构(UseParallel,真的)据/code>调用此函数时的名称-值对参数。据/p>
有关并行超参数优化的更多信息,请参见据a href="//www.tianjin-qmedu.com/help/stats/parallel_bayesian_optimization.html" class="a">平行的贝叶斯优化据/a>.据/p>
有关并行计算的更多通用信息,请参见据a href="//www.tianjin-qmedu.com/help/parallel-computing/run-matlab-functions-with-automatic-parallel-support.html" class="a">运行MATLAB函数与自动并行支持万博1manbetx据/a>(并行计算工具箱)。据/p>
RegressionLinear据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">RegressionPartitionedLinear据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">FitClinear.据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitlm据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitrsvm据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">kfoldLoss据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">kfoldPredict据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">套索据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测据/code>
|据span itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">脊据/code>
你点击一个链接对应于这个MATLAB命令:据/p>
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx据/p>
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:据strong class="recommended-country">.据/p> 选择据span class="recommended-country">网站据/a>
你也可以从以下列表中选择一个网站:据/p>
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。据/p>