主要内容

SparseFiltering

通过稀疏特征提取过滤

扩展所有的页面

描述

SparseFiltering学习使用稀疏过滤转换映射输入预测新的预测。

创建

创建一个SparseFiltering对象使用sparsefilt函数。

属性

全部展开

这个属性是只读的。

拟合历史,作为结构返回两个字段:

  • 迭代——迭代数字从0到最终的迭代。

  • 客观的——目标函数值在每个相应的迭代。迭代0对应于初始值,拟合之前。

数据类型:结构体

这个属性是只读的。

最初的功能转换权重,作为一个返回p——- - - - - -问矩阵,p通过预测的数量吗X和问你想要的是特征的数量。这些权重传递给创建的初始权重函数。训练数据时数据类型单一X是单身。

数据类型:单|双

这个属性是只读的。

参数用于训练模型,作为一个结构返回。结构包含字段相对应的一个子集sparsefilt名称-值对,实际上在模型创建过程:

  • IterationLimit

  • VerbosityLevel

  • λ

  • 标准化

  • GradientTolerance

  • StepTolerance

详情,请参阅sparsefilt文档名称-值对。

数据类型:结构体

这个属性是只读的。

预测意味着标准化时,作为一个返回p——- - - - - -1向量。该属性时非空的标准化名称-值对是真正的在创建模型。的价值是向量训练数据的预测方法。训练数据时数据类型单一X是单身。

数据类型:单|双

这个属性是只读的。

数量的输出特性,作为一个正整数返回。这个值是问参数传递给创建函数,这是学习的请求数量的特性。

数据类型:双

这个属性是只读的。

输入预测,作为一个正整数返回。这个值是预测的数量X创建函数。

数据类型:双

这个属性是只读的。

预测标准差标准化时,作为一个返回p——- - - - - -1向量。该属性时非空的标准化名称-值对是真正的在创建模型。预测的价值是向量训练数据的标准差。训练数据时数据类型单一X是单身。

数据类型:单|双

这个属性是只读的。

功能转换权重,作为一个返回p——- - - - - -问矩阵,p通过预测的数量吗X和问你想要的是特征的数量。训练数据时数据类型单一X是单身。

数据类型:单|双

对象的功能

变换 预测转换成提取特征

例子

全部折叠

打开生活的脚本

创建一个SparseFiltering通过使用对象sparsefilt函数。

加载SampleImagePatches图像补丁。

data =负载(“SampleImagePatches”);大小(data.X)
ans =1×25000 363

363年有5000个图像补丁,每个都包含的特性。

从数据中提取100特性。

rng默认的%的再现性Q = 100;obj = sparsefilt (data.X Q“IterationLimit”,100)
警告:解决LBFGS无法收敛到一个解决方案。
obj = SparseFiltering ModelParameters: [1 x1 struct] NumPredictors: 363 NumLearnedFeatures: 100亩:σ[]:[]FitInfo: [1 x1 struct] TransformWeights: [363 x100双]InitialTransformWeights:[]属性,方法

sparsefilt发出一个警告,因为它停止由于迭代达到极限,而不是达到一个步长限制或gradient-size极限。你仍然可以使用学到的特性通过调用返回的对象变换函数。

版本历史

介绍了R2017a

另请参阅

|||

主题