optimizableVariable

变量描述为bayesopt或其他优化

描述

创建优化的变量。

创建

描述

变量= optimizableVariable(名称范围创建具有指定名称和值的范围内的变量。

变量= optimizableVariable(名称范围,名称,值)性能使用名称 - 值对的参数。例如,optimizableVariable( 'XVAR',[1 1000], '类型', '整数')创建一个整数变量是1〜1000可以指定多个名称 - 值对的参数。在引号中每个属性的名称。

属性

展开全部

变量名,指定为字符向量或标量的字符串。该名称必须是唯一的,这意味着那些在优化其他变量的不同。

注意

  • 有与相关的两个名字optimizableVariable

    • 在MATLAB®工作区的变量名

    • 在优化变量的名称

    例如,

    XVAR = optimizableVariable('spacevar'[1100]);

    XVAR是MATLAB工作空间可变的,并且'spacevar'在优化变量。

    如下使用这些名称:

    • XVAR作为变量的向量的元素传递给bayesopt。例如,

      结果= bayesopt(乐趣,[XVAR,TVAR])
    • 'spacevar'作为优化变量的名称。例如,在目标函数,

      功能客观= mysvmfun(X,CDATA,GRP)SVMModel = fitcsvm(CDATA,GRP, 'KernelFunction', 'RBF',... 'BoxConstraint',x.spacevar,... 'KernelScale',x.tvar);目标= kfoldLoss(crossval(SVMModel));

例:'X1'

数据类型:烧焦|

可变范围,指定为2元件有限增加实向量,或者作为一个字符串数组或分类变量的名称的单元阵列:

  • 对于真正的或整型变量,范围给人的下界和上界该变量的。

  • 对于分类变量,范围给出了可能的值。

例:[-10,1]

例:{ '红', '蓝', '黑'}

数据类型:||细胞

变量类型,指定为'真实'(实变量),'整数'(整型变量),或“绝对”(分类变量)。

注意

两者的MATLAB数据类型'真实''整数'变量是标准的双精度浮点数。的数据类型“绝对”变量是分类。因此,例如,阅读名为分类变量的值'colorv'在命名变量表X使用命令CHAR(x.colorv)。举一个例子,请参见在目标函数自定义输出功能

例:“类型”,“分类”

变换施加到可变,指定为'没有'(无变换)或“日志”(对数变换)。

对于“日志”中,变量必须是'真实'要么'整数'和积极的。该变量搜索和模型对数尺度。

例:“变换”,“日志”

适应症使用变量优化,指定为真正(使用变量)或(不要使用变量)。

例:“优化”,假

数据类型:合乎逻辑

注意

你可以使用点符号创建后更改下列属性。

  • 范围真实的或整型变量。例如,

    XVAR = optimizableVariable('X',[ -  10,10]);%修改范围:xvar.Range = [1,5];
  • 类型之间'整数''真实'。例如,

    xvar.Type ='整数';
  • 转变之间的真正或整型变量“日志”'没有'。例如,

    xvar.Transform =“日志”;

您可以使用这种灵活性,例如,调整要继续优化。更新范围或使用点符号,然后调用变换恢复

对象函数

bayesopt 选择使用贝叶斯优化最佳机器学习的超参数

例子

全部收缩

从0至1可变的实:

VAR1 = optimizableVariable('XVAR',[0 1])
VAR1 = optimizableVariable与属性:名称: 'XVAR' 范围:[0 1]类型: '真正的' 转换: '无' 优化:1

从1整数变量至1000对数标度:

VAR2 = optimizableVariable(“伊娃”[1 1000],'类型''整数''转变'“日志”
[1 1000]类型:变换 '整数':VAR2 = optimizableVariable与属性:名称: '的ivar' 范围 '日志' 优化:1

彩虹颜色分类变量:

VAR3 = optimizableVariable('RVAR'{'R''O''Y''G''B''一世''V'},'类型'“绝对”
VAR3 = optimizableVariable与属性:名称: 'RVAR' 范围:{ 'R' 'O' 'y' 的 'G' 'B' 的 'i' 的 'V'}类型: '分类' 变换: '无' 优化:1

介绍了在R2016b