问题の定义

问题は，交差交差损失を最小气するサポートベクター（svm）分享到のののことです。具体而言，具体的なモデルは求めるですですですです。bayesoptを使用した交差検証済みSVM分類器の最適化の場合と同じです。したがって,目的関数は基本的に同じですが,用户数据（このケースでは，现处于のパラメーターにあてはめるsvmモデル内のサポートベクターの数。

最适化の进行にてsvmモデル内のサポートベクターののをするカスタム关键词关键词关键词プロット关键でサポートのの个アクセスようにするため，サポートベクターにするため，サポートベクターのためを返す3番目の出力用户数据を作成します。

目的有关

目的関数を作成します。この関数では,固定された交差検証分割に対する交差検証損失を計算し,生成されたモデル内のサポートベクターの個数を返します。

函数[f，diut，nsupp] = mysvmminfn（x，cdata，grp，c）svmmodel = fitcsvm（cdata，grp，“KernelFunction”那'rbf'那......'kernelscale'x.sigma,'boxconstraint'，x.box）;f = kfoldloss（crossval（svmmodel，“CVPartition”，C））;rust = [];nsupp = sum（svmmodel.is万博1manbetxsupportvector）;结尾

カスタムプロット关节

用户数据での计算カスタム情情ますしにおけるモデル的关键词关键词をにおける关键词をにおけるにおけるにおけるのにおけるにおけるのの关键词をにおけるにおけるにおけるにおけるにおける关键词をにおけるにおけるにおける关键词のにおけるにおけるモデル关键词をのにおけるををにおけるにおけるにおけるにおけるにおけるにおけるにおけるののにおけるにおけるモデルにおけるにおけるにおけるにおけるにおけるにおけるにおけるにおけるにおけるにおけるモデルモデルにおけるをにおけるモデルをををモデルをにおけるモデル关键

函数stop = svmsuppvec（结果，状态）执着的HS nbest besthist nsupptrace stop = false;开关状态案件'最初的'HS =图;Besthist = [];nbest = 0;nsupptrace = [];案件'迭代'图（HS）nsupp = suffects.userdatatrace {end};％从UserDataTrace属性获取NSUPP。nsupptrace（end + 1）= nsupp;％累积在向量中的NSUPP值。如果(results. objecvetrace (end) == min(results. objecvetrace)))%电流最好nb = nsupp;结尾besthist = (besthist, nb);阴谋(1:长度(nsupptrace) nsupptrace,'B'，1：长度（besthist），besthist，'r--')包含的迭代次数ylabel.‘支持向量数’万博1manbetx标题'每个迭代的支持向量数万博1manbetx量'传奇（'当前迭代'那“最好的目标”那“位置”那'最好的事物') drawnow结尾

モデルの设定

各クラスについて10個ずつの基底点を生成します。

rng默认grnpop = mvnrnd((1,0)、眼睛(2),10);redpop = mvnrnd([0, 1],眼(2),10);

各クラスについて100个ずつのの点生成します。

redpts =零（100,2）; grnpts = redpts;为了i = 1：100 gnpts（i，:) = mvnrnd（grnpop（randi（10），:)，眼睛（2）* 0.02）;redpts（i，:) = mvnrnd（Redpop（randi（10），:)，眼睛（2）* 0.02）;结尾

データを1つの行列格式し，各点のクラスにラベルを付ける付けるGRP.を作成します。

cdata = [grnpts; redpts];GRP = ONE（200,1）;%绿色标签1，红色标签-1GRP（101：200）= -1;

既定のSVMパラメーターを使用して,すべてのデータの基本分類をチェックします。

svmmodel = fitcsvm（cdata，grp，“KernelFunction”那'rbf'那“类名”，[ -  1 1]）;

交差検证をするするを设定しますと，交差検证がわと，交差検证がランダムなるので，目的关键词。

c = cvpartition（200，'kfold'10);



损失= kfoldLoss (fitcsvm (grp cdata,“CVPartition”c......“KernelFunction”那'rbf'那'boxconstraint'，svmmodel.boxconstraints（1），......'kernelscale', SVMModel.KernelParameters.Scale))

损失= 0.1350

最适型用词函数仪器

目的关节，入力z = [rbf_sigma boxconstraint]を受け入れ，交差検证损失値Z.を返します。Z.の成分を1E-5～1E5.の範囲で正の変数に対数変換します。どの値が適切であるかがわからないので,広い範囲を選択します。

sigma =优化的不变性（'sigma'，[1e-5,1e5]，“转换”那'日志'）;盒子=优化不变（'盒子'，[1e-5,1e5]，“转换”那'日志'）;

プロット关关の设定とオプティマイザーの

Bayesopt.をを用して最良のパラメーター(σ,盒子)を求めます。再現性を得るために,“expected-improvement-plus”既定の关关数を选択ます决定决定される，结果が异なるれる，结果结果が异なる合。

反復回数の関数としてサポートベクターの個数をプロットし,見つかった最良のパラメーターに対するサポートベクターの個数をプロットします。

obj = @（x）mysvmminfn（x，cdata，grp，c）;结果= Bayesopt（obj，[sigma，box]，......'IsobjectiveDeterministic'，真的，'verbose'，0，......'获取功能名称'那“expected-improvement-plus”那......“PlotFcn”, {@svmsuppvec、@plotObjectiveModel @plotMinObjective})

结果=与属性贝叶斯optimization：ObjectiveFCN：@（x）mysvmminfn（x，cdata，grp，c）variadescriptions：[1x2 oldizablevariable]选项：[1x1 struct] minobjective：0.0750 xatminobjective：[1x2表] mineestimatedobiptive：0.0750 xatminestimative objective：[1x2表] NumObjectiveEvaLuations：30总计：69.9983 NextPoint：[1x2表] xtrace：[30x2表] ObjectiveTreace：[30x1 double] contrageStrace：[] UserDataTrace：{30x1 Cell} WateSealeValionTimetrace：[30x1 double] iterationTimetrace：[30x1 double] errortrace：[30X1双] FeasibilityTrace：[30X1逻辑] FeasibilityProbabilityTrace：[30X1双] IndexOfMinimumTrace：[30X1双] ObjectiveMinimumTrace：[30X1双] EstimatedObjectiveMinimumTrace：[30X1双]