bayesopt
这个例子展示了如何优化SVM分类使用bayesopt
函数。
或者,您可以通过使用OptimizeHyperparameters
名称-值参数。例如,请参见使用贝叶斯优化优化分类器.
分类工作在一个高斯混合模型的点的位置。在统计学习的要素, Hastie, Tibshirani, and Friedman(2009),第17页描述了这个模型。该模型首先为“绿色”类生成10个基点,分布为均值(1,0)和单位方差的2-D独立正态分布。它还为“红色”类生成10个基点,分布为均值(0,1)和单位方差的2-D独立正态分布。对于每个职业(绿色和红色),生成100个随机点数如下:
选择一个基点米随机均匀地均匀。
生成一个独立的具有二维正态分布的随机点米方差I/5,其中I是2 × 2单位矩阵。在本例中,使用方差I/50来更清楚地显示优化的优势。
为每个职业生成10个基点。
RNG('默认')%的再现性GRNPOP = MVNRND([1,0],眼睛(2),10);Redpop = mvnrnd([0,1],眼睛(2),10);
查看基点。
情节(grnpop (: 1) grnpop (:, 2),“去”) 抓住在绘图(REDPOP(:,1),REDPOP(:,2),“罗”) 抓住从
由于一些红色基点接近绿色基点,因此可以难以仅基于位置对数据点进行分类。
生成每个类的100个数据点。
Redpts = 0 (100,2);为i = 1:10 0 grnpts(我:)= mvnrnd (grnpop(兰迪(10):)、眼睛(2)* 0.02);redpts(我)= mvnrnd (redpop(兰迪(10):)、眼睛(2)* 0.02);结束
查看数据点。
图绘制(grnpts (: 1), grnpts (:, 2),“去”) 抓住在情节(redpts (: 1) redpts (:, 2),“罗”) 抓住从
将数据放入一个矩阵,并生成一个向量grp
标记每个点的类别。1表示绿色类,-1表示红色类。
cdata = [grnpts; redpts];grp = 1 (200 1);grp (101:200) = 1;
为交叉验证设置分区。此步骤修复优化在每个步骤中使用的列车和测试集。
c = cvpartition (200“KFold”10);
建立一个接受输入的函数z = [rbf_sigma,boxconstraint]
并返回的交叉验证损失值z
.取z
作为正的,对数变换的变量1 e-5
和1 e5
.选择宽范围,因为您不知道哪个值可能是好的。
σ= optimizableVariable (“σ”(1 e-5, 1 e5),“转换”,“日志”);盒= optimizableVariable (“盒子”(1 e-5, 1 e5),“转换”,“日志”);
这个函数句柄计算参数的交叉验证损失(σ,盒子)
.有关详细信息,请参见kfoldLoss
.
bayesopt
通过变量z
将目标函数转换为单行表。
minfn = @ (z) kfoldLoss (fitcsvm (grp cdata,“CVPartition”c...“KernelFunction”,“rbf”,“BoxConstraint”z.box,...“KernelScale”,z.sigma));
搜索最佳参数(σ,盒子)
使用bayesopt
.为了再现性,选择“expected-improvement-plus”
采集功能。默认的获取函数取决于运行时,因此可以给出不同的结果。
结果= bayesopt (minfn,σ,盒子,“IsObjectiveDeterministic”,真的,...“AcquisitionFunctionName”,“expected-improvement-plus”)
|=====================================================================================================| | Iter | Eval客观客观| | | BestSoFar | BestSoFar |σ盒| | | | |结果运行时| | | (estim(观察) .) | | | |=====================================================================================================| | 1 |最好的| 0.61 | 0.14467 | 0.61 | 0.61 | 0.00013375 | 13929 | | 2 |的| 0.345 | 0.32138 | 0.345 | 0.345 | 24526 | 1.936 | | 3 |接受| 0.61 | 0.15556 | 0.345 | 0.345 | 0.0026459 | 0.00084929 | | 4 |接受| 0.345 | 0.22201 | 0.345 | 0.345 | 3506.3 | 6.7427 e-05 | | 5 |接受| 0.345 | 0.23322 | 0.345 | 0.345 | 9135.2 | 571.87 | 0.345 | | | 6 |接受0.23452 | 0.345 | 0.345 | 99701 | 10223 | | 7 | Best | 0.295 | 0.4902 | 0.295 | 0.295 | 455.88 | 9957.4 | | 8 | Best | 0.24 | 1.6982 | 0.24 | 0.24 | 31.56 | 99389 | | 9 | Accept | 0.24 | 2.1725 | 0.24 | 0.24 | 10.451 | 64429 | | 10 | Accept | 0.35 | 0.34675 | 0.24 | 0.24 | 17.331 | 1.0264e-05 | | 11 | Best | 0.23 | 1.1965 | 0.23 | 0.23 | 16.005 | 90155 | | 12 | Best | 0.1 | 0.3585 | 0.1 | 0.1 | 0.36562 | 80878 | | 13 | Accept | 0.115 | 0.26882 | 0.1 | 0.1 | 0.1793 | 68459 | | 14 | Accept | 0.105 | 0.22769 | 0.1 | 0.1 | 0.2267 | 95421 | | 15 | Best | 0.095 | 0.25957 | 0.095 | 0.095 | 0.28999 | 0.0058227 | | 16 | Best | 0.075 | 0.24026 | 0.075 | 0.075 | 0.30554 | 8.9017 | | 17 | Accept | 0.085 | 0.24761 | 0.075 | 0.075 | 0.41122 | 4.4476 | | 18 | Accept | 0.085 | 0.23312 | 0.075 | 0.075 | 0.25565 | 7.8038 | | 19 | Accept | 0.075 | 0.24088 | 0.075 | 0.075 | 0.32869 | 18.076 | | 20 | Accept | 0.085 | 0.24389 | 0.075 | 0.075 | 0.32442 | 5.2118 | |=====================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | sigma | box | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 21 | Accept | 0.3 | 0.3035 | 0.075 | 0.075 | 1.3592 | 0.0098067 | | 22 | Accept | 0.12 | 0.32037 | 0.075 | 0.075 | 0.17515 | 0.00070913 | | 23 | Accept | 0.175 | 0.29092 | 0.075 | 0.075 | 0.1252 | 0.010749 | | 24 | Accept | 0.105 | 0.31711 | 0.075 | 0.075 | 1.1664 | 31.13 | | 25 | Accept | 0.1 | 0.26516 | 0.075 | 0.075 | 0.57465 | 2013.8 | | 26 | Accept | 0.12 | 0.26723 | 0.075 | 0.075 | 0.42922 | 1.1602e-05 | | 27 | Accept | 0.12 | 0.26518 | 0.075 | 0.075 | 0.42956 | 0.00027218 | | 28 | Accept | 0.095 | 0.2753 | 0.075 | 0.075 | 0.4806 | 13.452 | | 29 | Accept | 0.105 | 0.28246 | 0.075 | 0.075 | 0.19755 | 943.87 | | 30 | Accept | 0.205 | 0.25643 | 0.075 | 0.075 | 3.5051 | 93.492 |
__________________________________________________________ 优化完成。maxobjective达到30个。总函数计算:30总运行时间:44.3854秒总目标函数计算时间:12.3795sigma箱_______ ______ 0.30554 8.9017观测目标函数值= 0.075估计目标函数值= 0.075函数评价时间= 0.24026最佳估计可行点(根据模型):sigma箱_______ ______ 0.32869 18.076估计目标函数值= 0.075估计函数评价时间= 0.24993
results = BayesianOptimization with properties: ObjectiveFcn: [function_handle] VariableDescriptions: [1x2 optimizableVariable] Options: [1x1 struct] MinObjective: 0.0750 XAtMinObjective: [1x2 table] minestimatedobjobjective: 0.0750 xatminestimatedobjobjective: [1x2 table] numobjectiveevalues:30 TotalElapsedTime: 44.3854 NextPoint:[1 x2表]XTrace: [30 x2表]ObjectiveTrace: [30 x1双]ConstraintsTrace: [] UserDataTrace: {30 x1细胞}ObjectiveEvaluationTimeTrace: [30 x1双]IterationTimeTrace: [30 x1双]ErrorTrace: [30 x1双]FeasibilityTrace: [30 x1逻辑]FeasibilityProbabilityTrace: [30 x1双]IndexOfMinimumTrace: [30 x1双]ObjectiveMinimumTrace:[30x1 double] EstimatedObjectiveMinimumTrace: [30x1 double]
得到最佳估计可行点XAtMinEstimatedObjective
财产或使用bestPoint
函数。默认情况下,bestPoint
函数使用'最小的上级置信区间'
标准。具体操作请参见标准名称-值参数bestPoint
.
结果。XAtMinEstimatedObjective
ans =1×2表Sigma箱_______ ______ 0.32869 18.076
z = bestPoint(结果)
z =1×2表Sigma箱_______ ______ 0.32869 18.076
使用最优点来训练一个新的、优化的SVM分类器。
SVMModel = fitcsvm (grp cdata,“KernelFunction”,“rbf”,...“KernelScale”z.sigma,“BoxConstraint”, z.box);
要可视化支持向量分类器,可以在网格万博1manbetx上预测分数。
d = 0.02;[x1Grid, x2Grid] = meshgrid (min (cdata (: 1)): d:马克斯(cdata (: 1)),...分钟(cdata (:, 2)): d:马克斯(cdata (:, 2)));xGrid = [x1Grid (:), x2Grid (:));[~,分数]=预测(SVMModel xGrid);
绘制分类边界。
图h (1:2) = gscatter (cdata (: 1), cdata (:, 2), grp,“rg”,' + *’);持有在h(3) = plot(cdata(SVMModel.Is万博1manbetxSupportVector,1),...cdata (SVMModel.I万博1manbetxsSupportVector, 2),“柯”);轮廓(x1Grid x2Grid,重塑(分数(:,2),大小(x1Grid)), [0 0),“k”);传奇(h, {' 1 ','+1',“万博1manbetx支持向量”},'地点',“东南”);
生成并对新的测试数据点进行分类。
GRNOBJ = GMDistribution(GRNPOP,.2 * EYE(2));Redobj = Gmdistribution(Redpop,.2 *眼睛(2));newdata =随机(grnobj,10);newdata = [newdata;随机(redobj,10)];grpdata = a那么多(20,1);% green = 1grpData (11) = 1;% red = -1v =预测(SVMModel newData);
计算测试数据集上的误分类率。
L =损失(SVMModel newData grpData)
L = 0.3500
看看哪些新的数据点是正确分类的。用红色圈出正确分类的点,用黑色圈出错误分类的点。
h (4:5) = gscatter (newData (: 1), newData (:, 2), v,'MC',“* *”);mydiff = (v == grpData);%分类正确为2 = mydiff%在正确的点周围绘制红色方块h(6) =情节(newData (ii, 1), newData (ii, 2),“rs”,'Markersize',12);结束为2 =不(mydiff)%在错误点周围绘制黑色方块h(7) =情节(newData (ii, 1), newData (ii, 2),“ks”,'Markersize',12);结束传奇(h, {“1”(培训),“+ 1(培训)”,“万博1manbetx支持向量”,...“1”(分类),“+ 1(分类)”,...正确分类的,“是不是”},...'地点',“东南”);持有从