南または正値を削除した後で学習データ(XおよびY)に含まれている観測値の数。スカラーとして格納されます。

データ型:双

モデルの学習に使用されたモデルパラメーター。構造体として格納されます。

ModelParametersのフィールドには,ドット表記を使用してアクセスできます。

たとえば,mdlという名前のFeatureSelectionNCARegressionオブジェクトの場合,mdl.ModelParameters.LossFunctionを使用してLossFunctionの値にアクセスできます。

データ型:结构体

このモデルの学習に使用された正則化パラメーター。スカラーとして格納されます。n個の観測値がある場合,NCAモデルの汎化誤差を最小化する最良のλの値は1 / nの整数倍であると考えられます。

データ型:双

このモデルのあてはめに使用した手法の名前。次のいずれかとして格納されます。

このモデルのあてはめに使用したソルバーの名前。次のいずれかとして格納されます。

“lbfgs”ソルバーと“minibatch-lbfgs”ソルバーの,勾配ノルムに対する収束の相対許容誤差。正のスカラー値として格納されます。

データ型:双

最適化の最大反復回数。正の整数値として格納されます。

データ型:双

ソルバーが“sgd”または“minibatch-lbfgs”である場合の最大通過回数。1回の通過ごとに,データ内の観測値がすべて処理されます。

データ型:双

ソルバーが“sgd”または“minibatch-lbfgs”である場合の初期学習率。学習率は,InitialLearningRateについて指定された値から始まって反復ごとに減衰します。

fsrncaを呼び出すときの初期学習率の自動調整を制御するには,NumTuningIterationsおよびTuningSubsetSizeを使用します。

データ型:双

詳細レベルインジケーター。非負の整数として格納されます。利用可能な値は以下のとおりです。

データ型:双

特徴量の重みの初期値。正の実数スカラーによるp行1列のベクトルとして格納されます。pはX内の予測子の個数です。

データ型:双

特徴量の重み。実数スカラー値によるp行1列のベクトルとして格納されます。pはX内の予測子の個数です。

“FitMethod”が“平均”である場合,FeatureWeightsはp行m列の行列になります。mは,fsrncaを呼び出すときに名前と値のペアの引数“NumPartitions”で指定した分割数です。

FeatureWeights (k)の絶対値は予測子kの重要度の尺度です。FeatureWeights (k)が0に近い場合,予測子kはY内の応答に影響を与えません。

データ型:双

あてはめの情報。次のフィールドをもつ構造体として格納されます。

FitInfoのフィールドには,ドット表記を使用してアクセスできます。たとえば,mdlという名前のFeatureSelectionNCARegressionオブジェクトの場合,mdl.FitInfo.Objectiveを使用して客观的フィールドにアクセスできます。

データ型:结构体

予測子の平均。学習データが標準化されている場合,p行1列のベクトルとして格納されます。この場合,预测メソッドでは,μの対応する要素を各列から減算することにより,予測子行列Xをセンタリングします。

学習時にデータが標準化されていない場合,μは空になります。

データ型:双

予測子の標準偏差。学習データが標準化されている場合,p行1列のベクトルとして格納されます。この場合,预测メソッドは予測子行列Xを,μを使用したデータのセンタリング後にその各列をσの対応する要素で除算することにより,スケーリングします。

学習時にデータが標準化されていない場合,σは空になります。

データ型:双

このモデルの学習に使用した予測子の値。n行p列の行列として格納されます。n は学習データに含まれている観測値の個数、p は予測子変数の個数です。

データ型:双

このモデルの学習に使用した応答値。サイズnの数値ベクトルとして格納されます。n は観測値の個数です。

データ型:双

このモデルの学習に使用した観測値の重み。サイズnの数値ベクトルとして格納されます。観測値の重みの合計は n です。

データ型:双