FSCNCA

基于邻域分量分析的分类特征选择

折叠所有页面

语法

mdl = fscnca (X, Y)

mdl = fscnca（x，y，名称，值）

描述

例子

mdl= fscnca (X，Y）使用中的预测器进行特征选择以进行分类X和反应Y．

FSCNCA通过使用带有正则化的邻域分量分析（NCA）的对角自适应学习特征权重。

例子

mdl= fscnca (X，Y，名称，价值）执行具有由一个或多个名称值对参数指定的附加选项的分类的特征选择。

例子

全部收缩

使用NCA检测数据中的相关功能以进行分类

打开生活的脚本

生成响应变量取决于第3个，第9和第15个预测器的玩具数据。

rng (0,“旋风”）;%的再现性N = 100;X =兰德(N, 20);y = 1 (N, 1);y(X(:，3).*X(:，9)./X(:，15) < 0.4) = 1;

拟合邻域成分分析模型进行分类。

mdl = fscnca（x，y，“规划求解”，“sgd”，“冗长”，1）;

o调整初始学习率:NumTuningIterations = 20,TuningSubsetSize = 100  |===============================================| | | |调子集学习| | ITER | |娱乐价值率  | |===============================================| | 1 | -3.755936 e-01 e-01 | 2.000000 | | 2 | -3.950971 e-01 e-01 | 4.000000 | | 3 | -4.311848 e-01 e-01 | 8.000000 | | 4 | -4.903195 e-01 | 1.600000 e + 00 | | 5 |-5.630190 e-01 | 3.200000 e + 00 | | 6 | -6.166993 e-01 | 6.400000 e + 00 | | 7 | -6.255669 e-01 | 1.280000 e + 01 | | 8 | -6.255669 e-01 | 1.280000 e + 01 | | 9 | -6.255669 e-01 | 1.280000 e + 01 | | 10 | -6.255669 e-01 | 1.280000 e + 01 | | 11 | -6.255669 e-01 | 1.280000 e + 01 | | 12 | -6.255669 e-01 | 1.280000 e + 01 | | 13 | -6.255669 e-01 | 1.280000 e + 01 | | 14 |e-01 -6.279210 | 2.560000 e + 01 | | 15 | -6.279210 e-01 | 2.560000 e + 01 | | 16 | -6.279210 e-01 | 2.560000 e + 01 | | 17 | -6.279210 e-01 | 2.560000 e + 01 | | | 18 -6.279210 e-01 | 2.560000 e + 01 | | e-01 19 | -6.279210 | 2.560000 e + 01 | | 20 e-01 | -6.279210 | 2.560000 e + 01 | o解决= SGD MiniBatchSize = 10,PassLimit = 5  |==========================================================================================| | 通过| ITER | AVG MINIBATCH | AVG MINIBATCH |规范一步学习| | | | | |娱乐价值规范研究生| |率  | |==========================================================================================| | 0 | 9 e-01 | -5.658450 | 4.492407 e-02 |9.290605e-01 | 2.560000e+01 | | 1 | 19 | -6.131382e-01 | 4.923625e-02 | 7.421541e-01 | 1.280000e+01 | | 2 | 29 | -6.225056e-01 | 3.738784e-02 | 3.277588e-01 | 8.533333e+00 | | 3 | 39 | -6.233366e-01 | 4.947901e-02 | 5.431133e-01 | 6.400000e+00 | | 4 | 49 | -6.238576e-01 | 3.445763e-02 | 2.946188e-01 | 5.120000e+00 | Two norm of the final step = 2.946e-01 Relative two norm of the final step = 6.588e-02, TolX = 1.000e-06 EXIT: Iteration or pass limit reached.

绘制选定的特征。不相关特征的权值应该接近于零。

figure（）图（mdl.FeatureWeights，“罗”)网格在包含(“功能索引”) ylabel (“功能重量”）

图包含轴对象。轴对象包含类型线的对象。

FSCNCA正确检测相关功能。

识别相关特征进行分类

打开生活的脚本

加载示例数据

加载卵巢癌；谁

名称大小字节类属性grp 216x1 25056 cell obs 216x4000 3456000 single

该示例使用使用WCX2蛋白质阵列产生的高分辨率卵巢癌数据集。在某些预处理步骤之后，数据集具有两个变量：obs.和GRP.．的obs.变量由4000个功能组成216个观察。每个元素GRP.定义组的对应行所属的组obs.属于。

将数据划分为培训和测试集

使用CVPartition.将数据分为大小为160的训练集和大小为56的测试集。训练集和测试集的分组比例大致相同GRP.．

rng (1);%的再现性本量利= cvpartition (grp,“坚持”56)

cvp=保持交叉验证分区numobervations:216 numtestset:1列车尺寸：160测试尺寸：56

Xtrain = OB（CVP.TRAINTAIN，:);YTrain = GRP（CVP.TRAINTAIN，:);xtest = obs（cvp.test，:);ytest = grp（cvp.test，:);

确定特征选择是否必要

不拟合计算泛化误差。

nca = fscnca (Xtrain ytrain,'fitmethod'，'没有任何'); L=损失（nca、Xtest、ytest）

L = 0.0893.

此选项计算使用初始特征权重（在这种情况下提供默认要素权重）的邻域分量分析（NCA）特征选择模型的泛化误差FSCNCA．

拟合无正则化参数的NCA (Lambda = 0)

nca = fscnca (Xtrain ytrain,'fitmethod'，“准确”，“λ”,0,．..“规划求解”，“sgd”，“标准化”,真正的);L =损失(nca, Xtest欧美)

L = 0.0714

对损失值的改进表明特征选择是一种很好的方法。调优 $λ$ 值通常会改善结果。

使用五倍交叉验证调整NCA的正则化参数

调谐 $λ$ 意味着找到 $λ$ 产生最小分类损失的值。调优 $λ$ 使用交叉验证：

1.将训练数据分成5次，提取验证(测试)集的个数。对于每一个褶皱,CVPartition.指定五分之四的数据作为训练集，五分之一的数据作为测试集。

本量利= cvpartition (ytrain,“kfold”5);numvalidsets = cvp.NumTestSets;

分配 $λ$ 值，并创建一个数组来存储损失函数值。

n =长度（YTrain）;lambdavals = linspace（0,20,20）/ n;lockvals = zeros（长度（lambdavals），numvalidsets）;

2.训练每个人的NCA模型 $λ$ 值，使用每个折叠中的训练集。

3.使用NCA模型计算折叠中相应测试集的分类损失。记录损失值。

4.重复所有折叠和所有的过程 $λ$ 价值观

为了i = 1:长度(lambdavals)为了k = 1:numvalidsets X = Xtrain(cvp.training(k)，:);y = ytrain (cvp.training (k):);Xvalid = Xtrain (cvp.test (k):);yvalid = ytrain (cvp.test (k):);nca = fscnca (X, y,'fitmethod'，“准确”，．..“规划求解”，“sgd”，“λ”lambdavals(我),．..'iterationlimit'30岁的“GradientTolerance”1的军医,．..“标准化”,真正的);lossvals (i (k) =损失(nca, Xvalid yvalid,“LossFunction”，“classiferror”）;结尾结尾

计算从每个折叠中获得的平均损失 $λ$ 价值。

meanloss =意味着(lossvals, 2);

绘制平均损失值与 $λ$ 价值观

图()图(lambdavals meanloss,“ro - - - - - -”)包含(“λ”) ylabel (“损失(MSE)”)网格在

图包含轴对象。轴对象包含类型线的对象。

找到对应于最小平均损耗的最佳λ值。

[~, idx] = min (meanloss)%查找索引

idx=2

Bestlambda = Lambdavals（IDX）％找到最好的lambda值

最佳λ=0.0066

bestloss = meanloss (idx)

bestloss = 0.0313

最好地将nca模型应用于所有数据 $λ$ 并绘制特征权重

使用求解器lbfgs并标准化预测值。

nca = fscnca (Xtrain ytrain,'fitmethod'，“准确”，“规划求解”，“sgd”，．..“λ”bestlambda,“标准化”,真的,“冗长”，1）;

o调整初始学习率:NumTuningIterations = 20,TuningSubsetSize = 100  |===============================================| | | |调子集学习| | ITER | |娱乐价值率  | |===============================================| | 1 e + 01 | 2.403497 | 2.000000 e-01 | | 2 | 2.275050 e + 01 | 4.000000 e-01 | | 3 | 2.036845 e + 01 | 8.000000 e-01 | | 4 | 1.627647 e + 01 | 1.600000 e + 00 | | 5 |1.023512 e + 01 | 3.200000 e + 00 | | 6 | 3.864283 e + 6.400000 e + 00 00 | | | 7 e-01 | 4.743816 | 1.280000 e + 01 | | 8 | -7.260138 e-01 | 2.560000 e + 01 | | 9 | -7.260138 e-01 | 2.560000 e + 01 | | 10 | -7.260138 e-01 | 2.560000 e + 01 | | 11 | -7.260138 e-01 | 2.560000 e + 01 | | 12 | -7.260138 e-01 | 2.560000 e + 01 | | 13 | -7.260138 e-01 | 2.560000 e + 01 | | 14 | -7.260138 e-01 |2．560000e+01 | | 15 | -7.260138e-01 | 2.560000e+01 | | 16 | -7.260138e-01 | 2.560000e+01 | | 17 | -7.260138e-01 | 2.560000e+01 | | 18 | -7.260138e-01 | 2.560000e+01 | | 19 | -7.260138e-01 | 2.560000e+01 | | 20 | -7.260138e-01 | 2.560000e+01 | o Solver = SGD, MiniBatchSize = 10, PassLimit = 5 |==========================================================================================| | PASS | ITER | AVG MINIBATCH | AVG MINIBATCH | NORM STEP | LEARNING | | | | FUN VALUE | NORM GRAD | | RATE | |==========================================================================================| | 0 | 9 | 4.016078e+00 | 2.835465e-02 | 5.395984e+00 | 2.560000e+01 | | 1 | 19 | -6.726156e-01 | 6.111354e-02 | 5.021138e-01 | 1.280000e+01 | | 1 | 29 | -8.316555e-01 | 4.024186e-02 | 1.196031e+00 | 1.280000e+01 | | 2 | 39 | -8.838656e-01 | 2.333416e-02 | 1.225834e-01 | 8.533333e+00 | | 3 | 49 | -8.669034e-01 | 3.413162e-02 | 3.421902e-01 | 6.400000e+00 | | 3 | 59 | -8.906936e-01 | 1.946295e-02 | 2.232511e-01 | 6.400000e+00 | | 4 | 69 | -8.778630e-01 | 3.561290e-02 | 3.290645e-01 | 5.120000e+00 | | 4 | 79 | -8.857135e-01 | 2.516638e-02 | 3.902979e-01 | 5.120000e+00 | Two norm of the final step = 3.903e-01 Relative two norm of the final step = 6.171e-03, TolX = 1.000e-06 EXIT: Iteration or pass limit reached.

绘制特征权重。

图()(nca情节。FeatureWeights,“罗”)包含(“功能索引”) ylabel (“功能重量”)网格在

图包含轴对象。轴对象包含类型线的对象。

使用特征权重和相对阈值选择特征。

托尔= 0.02;selidx = (nca找到。FeatureWeights > tol *马克斯(max (nca.FeatureWeights)))

Selidx =72×1565 611 654 681 737 743 744 750 754 839⋮

使用测试集计算分类损失。

L =损失(nca, Xtest欧美)

L = 0.0179

使用选定的特征对观察结果进行分类

从训练数据中提取特征权重大于0的特征。

功能= XTrain（：，SELIDX）;

使用所选功能应用万博1manbetx支持向量机分类器到减少的训练集。

svmMdl=fitcsvm（特性，ytrain）；

评估训练有素的分类器对测试数据的准确性，这些分类器尚未用于选择功能。

L =损失(svmMdl Xtest (:, selidx)、欧美)

L =单0

输入参数

全部收缩

`X`- - - - - -预测变量值
n——- - - - - -p矩阵

预测值变量值，指定为一个n——- - - - - -p矩阵，其中n观察的次数是多少p为预测变量的数量。

数据类型：单|双重的

`Y`- - - - - -类标签
分类载体|逻辑向量|数值向量|字符串数组|长度字符向量的单元格数组n|字符矩阵n行

类标签，指定为类别向量、逻辑向量、数字向量、字符串数组、长度为字符向量的单元格数组n，或字符矩阵n行,n是观察数。元素我或行我的Y类标签是否与行对应我的X(观察我）。

数据类型：单|双重的|逻辑|字符|一串|细胞|分类

名称-值参数

指定可选的逗号分离对名称，价值参数。名称是参数名称和价值为对应值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“规划求解”,“sgd”、“重量”,0.0003 W,“λ”将解算器指定为随机梯度下降，将观测权重指定为向量中的值W，并将正则化参数设置为0.0003。

合适的选项

全部收缩

`FitMethod`- - - - - -模型拟合方法
`“准确”`（默认）|`'没有任何'`|`“平均”`

用于拟合模型的方法，指定为逗号分隔对，由'fitmethod'以及以下其中之一:

“准确”-使用所有数据进行拟合。
'没有任何'- 没有配件。使用此选项可使用对FSCNCA中的呼叫中提供的初始功能权重评估NCA模型的泛化误差。
“平均”- 将数据划分为分区（子集），使用每个分区使用准确的方法，并返回特征权重的平均值。属性指定分区的数目NumPartitions名称-值对的论点。

例子:“FitMethod”、“没有”

`NumPartitions`- - - - - -分区数量
`马克斯(2分钟(10,n）））`（默认）|2到2之间的整数n

用于分割数据的分区数目“FitMethod”、“平均”选项，指定为逗号分隔的对，由“NumPartitions”和2之间的整数值n哪里n为观察次数。

例子:'numpartitions'，15

数据类型：双重的|单

`lambda.`- - - - - -正则化参数
1／n（默认）|非负标量

正则化参数以防止过度装备，指定为逗号分隔对组成“λ”一个非负标量。

作为观察人数n增加，过拟合的机会减少，所需的正则化量也减少。看到识别相关特征进行分类和调整正则化参数检测特征使用NCA分类学习如何调优正则化参数。

例子:“λ”,0.002

数据类型：双重的|单

`LengthScale`- - - - - -内核的宽度
`1`（默认）|积极的真正的标量

内核的宽度，指定为逗号分隔对，由“长度刻度”一个正的实标量。

当所有预测值都在同一标度上时，长度标度值1是合理的。如果预测因子在X是非常不同的大小，然后考虑标准化的预测值使用“标准化”,真的和设置“LengthScale”,1．

例子:'LengeScale'，1.5

数据类型：双重的|单

`InitialFeatureWeights`- - - - - -初始特征权重
`的(p, 1)`（默认）|p实正量的- × 1向量

初始特征权重，指定为逗号分隔对，由“初始特征权重”和一个p-1个真正正标量的1载体，在哪里p是训练数据中预测值的数量。

优化特征权重的正则化目标函数是非凸的。因此，使用不同的初始特征权重可以得到不同的结果。将所有初始功能权重设置为1通常很有效，但在某些情况下，随机初始化使用兰特（P，1）可以提供更好的质量解决方案。万博尤文图斯

数据类型：双重的|单

`权重`- - - - - -观察权重
n- 1s的1载体（默认）|n实正量的- × 1向量

观察权重，指定为逗号分隔的配对组成“观测权重”和n-实正标量的乘-1向量。使用观察权重指定某些观察的重要性高于其他观察。默认权重为所有观察值指定同等的重要性。

数据类型：双重的|单

`之前`- - - - - -每类的先验概率
`“经验”`（默认）|`“统一”`|结构

每个类的先验概率，指定为逗号分隔对，由“之前”以及以下其中之一:

“经验”- - - - - -FSCNCA从类频率获取先前的类概率。
“统一”- - - - - -FSCNCA设置相同的所有类概率。
结构包含两个字段：
- ClassProbs-职业概率向量。如果这些数值的总和大于1，fsnca使它们相加为1。
- 一会-类名对应于类的概率ClassProbs．

例子:“优先”，“制服”

`标准化`- - - - - -标准化预测数据的指标
`错误的`（默认）|`真正的`

标准化预测器数据的指示器指定为逗号分隔的对“标准化”,要么错误的或真正的．有关更多信息，请参见标准化的影响．

例子:“标准化”,真的

数据类型：逻辑

`verb`- - - - - -冗长的水平指示器
0（默认）|1|＞1

用于显示收敛摘要的详细程度指示器，指定为逗号分隔对组成“冗长”以及以下其中之一:

0 -没有收敛总结
1 - 收敛摘要，包括梯度和目标函数值的规范
> 1 -更多的收敛信息，取决于拟合算法
使用时“minibatch-lbfgs”求解器和详细级> 1，收敛信息包括迭代从中间小批LBFGS拟合的日志。

例子:“详细”,1

数据类型：双重的|单

`解算器`- - - - - -求解器类型
`“lbfgs”`|`“sgd”`|`“minibatch-lbfgs”`

用于估计特征权重的求解器类型，指定为由逗号分隔的对组成“规划求解”以及以下其中之一:

“lbfgs”- 有限的记忆泡沫 - 弗莱彻 - 戈尔科 - 桑诺（LBFGS）算法
“sgd”-随机梯度下降(SGD)算法
“minibatch-lbfgs”-基于LBFGS算法的随机梯度下降法在小批量生产中的应用

默认为“lbfgs”为了n≤1000，和“sgd”为了n> 1000。

例子:“规划求解”、“minibatch-lbfgs”

`LossFunction`- - - - - -损失函数
`“classiferror”`（默认）|功能手柄

损失函数，指定为逗号分隔对组成“LossFunction”下面是其中之一。

“classiferror”——错误分类错误

$l （ y_{我} ， y_{j} ）＝｛ \begin{matrix} 1 & 如果 y_{我} \neq y_{j ，} \\ 0 & 否则． \end{matrix}$
＠lossfun- 自定义丢失功能手柄。损失函数具有此表格。
```
函数L = lossfun (Yu青年志愿)损失计算%．..
```
于是一个u-by-1矢量和伊夫是一个v1的向量。l是一个u——- - - - - -v损失值矩阵L (i, j)是损失价值余（一）和青年志愿(j)．

最小化的目标函数包括损失函数l（y_我，y_j）如下：

$f （ w ）＝ \frac{1}{n} \sum_{我＝ 1}^{n} \sum_{j ＝ 1 ， j \neq 我}^{n} p_{我 j} l （ y_{我} ， y_{j} ） + λ \sum_{r ＝ 1}^{p} w_{r}^{2} ，$

在哪里w为特征权值向量，n是观察次数，以及p为预测变量的数量。p_IJ.是可能的概率x_j参考点是什么x_我．有关详细信息,请参见用于分类的NCA特征选择．

例子:'损失功能'，@ lockfun

`缓存`- - - - - -内存大小
`1000 mb`（默认）|整数

内存大小，在MB中，用于目标函数和渐变计算，指定为逗号分隔的对组成“CacheSize”和一个整数。

例子:“CacheSize”,1500 mb

数据类型：双重的|单

LBFGS选项

全部收缩

`HessianHistorySize`- - - - - -Hessian近似的历史缓冲区大小
`15`（默认）|正整数

悲伤缓冲区的大小，用于Hessian近似“lbfgs”解算器，指定为逗号分隔的对，由“HessianHistorySize”和一个正整数。在每次迭代中，函数使用最新的HessianHistorySize迭代以构建逆Hessian的近似值。

例子:“HessianHistorySize”,20

数据类型：双重的|单

`initalstepsize.`- - - - - -初始步长
`“汽车”`（默认）|积极的真正的标量

的初始步长“lbfgs”解算器，指定为逗号分隔的对，由'initalstepsize'一个正的实标量。默认情况下，该函数自动确定初始步长。

数据类型：双重的|单

`LineSearchMethod`- - - - - -线路搜索方法
`“weakwolfe”`（默认）|`'strongwolfe'`|`“回溯”`

线路搜索方法，指定为逗号分隔对组成“LineSearchMethod”以及以下其中之一:

“weakwolfe”-弱沃尔夫线搜索
'strongwolfe'- 强沃尔夫线搜索
“回溯”- 回溯线搜索

例子:'linearchmethod'，'backtracking'

`MaxLineSearchIterations`- - - - - -最大行搜索迭代次数
`20.`（默认）|正整数

最大行搜索迭代次数，指定为逗号分隔对组成'maxlinesearch jorients'一个正整数。

例子:“MaxLineSearchIterations”,25岁

数据类型：双重的|单

`梯度特拉`- - - - - -相对收敛公差
`1e-6`（默认）|积极的真正的标量

求解器梯度范数的相对收敛容差LBFGS.，指定为逗号分隔的配对组成“GradientTolerance”一个正的实标量。

例子:“GradientTolerance”,0.000002

数据类型：双重的|单

新加坡元期权

全部收缩

`initialLearningrate.`- - - - - -初始学习率`“sgd”`解算器
`“汽车”`（默认）|积极的真正的标量

初始学习率为“sgd”解算器，指定为逗号分隔的对，由“初始学习率”一个正的实标量。

当使用求解器类型“sgd”，学习速率在从指定的值开始的迭代中衰减“初始学习率”．

默认的“汽车”意味着使用关于小数据集的实验确定初始学习率。使用数字运算参数的名称-值对指定自动调优初始学习率的迭代次数。使用TuningSubsetSize名称-值对参数，指定用于自动调整初始学习速率的观察数。

解算器类型“minibatch-lbfgs”，您可以设置“初始学习率”一个非常高的价值。在这种情况下，该功能将LBFG分别应用于每个迷你批处理，与前一个迷你批次的初始特征权重。

为了确保所选的初始学习率随着每次迭代而降低目标值，绘制迭代兑客观的保存在的值mdl.FitInfo财产。

你可以使用改装方法“初始特征权重”等于mdl.featureweights.从当前解决方案开始并运行其他迭代

例子:“InitialLearningRate”,0.9

数据类型：双重的|单

`小匹匹匹匹配`- - - - - -在每批中使用的观察数`“sgd”`解算器
分钟（10，n）（默认）|正整数，取值范围为1 ~n

在每批中使用的观察数“sgd”解算器，指定为逗号分隔的对，由“MiniBatchSize”一个正整数，从1到n．

例子:“MiniBatchSize”，25

数据类型：双重的|单

`PassLimit`- - - - - -求解器的最大通行证数`“sgd”`
`5`（默认）|正整数

通过所有的最大次数n观察对解算器“sgd”，指定为逗号分隔的配对组成“PassLimit”和一个正整数。所有数据的每次传递都称为一个历元。

例子:'passlimit'，10

数据类型：双重的|单

`NumPrint`- - - - - -显示聚合摘要的批次频率
10（默认）|正整数的值

用于显示收敛摘要的批次频率“sgd”解算器，指定为逗号分隔对，由“NumPrint”和一个正整数。此论点适用于以下情况：“冗长”值大于0。NumPrint对命令行显示的收敛摘要的每一行进行mini-batch处理。

例子:“NumPrint”,5

数据类型：双重的|单

`数字运算`- - - - - -优化迭代次数
20.（默认）|正整数

调整迭代的数量“sgd”解算器，指定为逗号分隔的对，由“NumTuningIterations”一个正整数。此选项仅对“初始学习率”，“自动”．

例子:“NumTuningIterations”,15

数据类型：双重的|单

`TuningSubsetSize`- - - - - -用于调整初始学习率的观察次数
分钟(100n）（默认）|正整数，取值范围为1 ~n

用于调整初始学习率的观察数，指定为包括的逗号分隔对“TuningSubsetSize”和一个正整数，从1到n. 此选项仅对以下情况有效：“初始学习率”，“自动”．

例子:“TuningSubsetSize”,25岁

数据类型：双重的|单

SGD或LBFGS选项

全部收缩

`IterationLimit`- - - - - -最大迭代次数
正整数

最大迭代次数，由逗号分隔对组成'iterationlimit'一个正整数。缺省情况下，SGD为10000,LBFGS和mini-batch LBFGS为1000。

每次批处理都是一次迭代。所有数据的每一次传递都是一个纪元。如果将数据分成k小批量，则每个epoch等价于k迭代。

例子:'iterationlimit'，250

数据类型：双重的|单

`阶跃公差`- - - - - -步长收敛公差
1e-6（默认）|积极的真正的标量

步长上的收敛公差，指定为逗号分隔对，包括“StepTolerance”一个正的实标量。的“lbfgs”求解器使用绝对的步长，以及“sgd”求解器使用相对步长公差。

例子:'steptolerance'，0.000005

数据类型：双重的|单

Mini-Batch LBFGS选项

全部收缩

`小型配料`- - - - - -每个小批LBFGS步骤的最大迭代次数
10（默认）|正整数

每个小批LBFGS步骤的最大迭代次数，指定为逗号分隔对组成“MiniBatchLBFGSIterations”一个正整数。

例子:“MiniBatchLBFGSIterations”,15

Mini-Batch LBFGS算法是SGD和LBFGS方法的组合。因此，适用于SGD和LBFGS求解器的所有名称值对参数也适用于迷你批量LBFGS算法。

数据类型：双重的|单

输出参数

全部收缩

`mdl`-邻域成分分析模型进行分类
`特征选择分类`对象

用于分类的邻域组件分析模型，作为特征选择分类对象。

也可以看看

特征选择分类|丧失|改装|预测

话题

介绍了R2016b

FSCNCA

语法

描述

例子

使用NCA检测数据中的相关功能以进行分类

识别相关特征进行分类

输入参数

X- - - - - -预测变量值n——- - - - - -p矩阵

Y- - - - - -类标签分类载体|逻辑向量|数值向量|字符串数组|长度字符向量的单元格数组n|字符矩阵n行

名称-值参数

FitMethod- - - - - -模型拟合方法“准确”（默认）|'没有任何'|“平均”

NumPartitions- - - - - -分区数量马克斯(2分钟(10,n）））（默认）|2到2之间的整数n

lambda.- - - - - -正则化参数1／n（默认）|非负标量

LengthScale- - - - - -内核的宽度1（默认）|积极的真正的标量

InitialFeatureWeights- - - - - -初始特征权重的(p, 1)（默认）|p实正量的- × 1向量

权重- - - - - -观察权重n- 1s的1载体（默认）|n实正量的- × 1向量

之前- - - - - -每类的先验概率“经验”（默认）|“统一”|结构

标准化- - - - - -标准化预测数据的指标错误的（默认）|真正的

verb- - - - - -冗长的水平指示器0（默认）|1|＞1

解算器- - - - - -求解器类型“lbfgs”|“sgd”|“minibatch-lbfgs”

LossFunction- - - - - -损失函数“classiferror”（默认）|功能手柄

缓存- - - - - -内存大小1000 mb（默认）|整数

HessianHistorySize- - - - - -Hessian近似的历史缓冲区大小15（默认）|正整数

initalstepsize.- - - - - -初始步长“汽车”（默认）|积极的真正的标量

LineSearchMethod- - - - - -线路搜索方法“weakwolfe”（默认）|'strongwolfe'|“回溯”

MaxLineSearchIterations- - - - - -最大行搜索迭代次数20.（默认）|正整数

梯度特拉- - - - - -相对收敛公差1e-6（默认）|积极的真正的标量

initialLearningrate.- - - - - -初始学习率“sgd”解算器“汽车”（默认）|积极的真正的标量

小匹匹匹匹配- - - - - -在每批中使用的观察数“sgd”解算器分钟（10，n）（默认）|正整数，取值范围为1 ~n

PassLimit- - - - - -求解器的最大通行证数“sgd”5（默认）|正整数

NumPrint- - - - - -显示聚合摘要的批次频率10（默认）|正整数的值

数字运算- - - - - -优化迭代次数20.（默认）|正整数

TuningSubsetSize- - - - - -用于调整初始学习率的观察次数分钟(100n）（默认）|正整数，取值范围为1 ~n

IterationLimit- - - - - -最大迭代次数正整数

阶跃公差- - - - - -步长收敛公差1e-6（默认）|积极的真正的标量

小型配料- - - - - -每个小批LBFGS步骤的最大迭代次数10（默认）|正整数

输出参数

mdl-邻域成分分析模型进行分类特征选择分类对象

也可以看看

话题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

`X`- - - - - -预测变量值
n——- - - - - -p矩阵

`Y`- - - - - -类标签
分类载体|逻辑向量|数值向量|字符串数组|长度字符向量的单元格数组n|字符矩阵n行

`FitMethod`- - - - - -模型拟合方法
`“准确”`（默认）|`'没有任何'`|`“平均”`

`NumPartitions`- - - - - -分区数量
`马克斯(2分钟(10,n）））`（默认）|2到2之间的整数n

`lambda.`- - - - - -正则化参数
1／n（默认）|非负标量

`LengthScale`- - - - - -内核的宽度
`1`（默认）|积极的真正的标量

`InitialFeatureWeights`- - - - - -初始特征权重
`的(p, 1)`（默认）|p实正量的- × 1向量

`权重`- - - - - -观察权重
n- 1s的1载体（默认）|n实正量的- × 1向量

`之前`- - - - - -每类的先验概率
`“经验”`（默认）|`“统一”`|结构

`标准化`- - - - - -标准化预测数据的指标
`错误的`（默认）|`真正的`

`verb`- - - - - -冗长的水平指示器
0（默认）|1|＞1

`解算器`- - - - - -求解器类型
`“lbfgs”`|`“sgd”`|`“minibatch-lbfgs”`

`LossFunction`- - - - - -损失函数
`“classiferror”`（默认）|功能手柄

`缓存`- - - - - -内存大小
`1000 mb`（默认）|整数

`HessianHistorySize`- - - - - -Hessian近似的历史缓冲区大小
`15`（默认）|正整数

`initalstepsize.`- - - - - -初始步长
`“汽车”`（默认）|积极的真正的标量

`LineSearchMethod`- - - - - -线路搜索方法
`“weakwolfe”`（默认）|`'strongwolfe'`|`“回溯”`

`MaxLineSearchIterations`- - - - - -最大行搜索迭代次数
`20.`（默认）|正整数

`梯度特拉`- - - - - -相对收敛公差
`1e-6`（默认）|积极的真正的标量

`initialLearningrate.`- - - - - -初始学习率`“sgd”`解算器
`“汽车”`（默认）|积极的真正的标量

`小匹匹匹匹配`- - - - - -在每批中使用的观察数`“sgd”`解算器
分钟（10，n）（默认）|正整数，取值范围为1 ~n

`PassLimit`- - - - - -求解器的最大通行证数`“sgd”`
`5`（默认）|正整数

`NumPrint`- - - - - -显示聚合摘要的批次频率
10（默认）|正整数的值

`数字运算`- - - - - -优化迭代次数
20.（默认）|正整数

`TuningSubsetSize`- - - - - -用于调整初始学习率的观察次数
分钟(100n）（默认）|正整数，取值范围为1 ~n

`IterationLimit`- - - - - -最大迭代次数
正整数

`阶跃公差`- - - - - -步长收敛公差
1e-6（默认）|积极的真正的标量

`小型配料`- - - - - -每个小批LBFGS步骤的最大迭代次数
10（默认）|正整数

`mdl`-邻域成分分析模型进行分类
`特征选择分类`对象