帮助中心帮助中心
在一组点上预测目标函数
XTable客观= predictObjective(结果)
(目标,σ)= predictObjective(结果,XTable)
例子
客观的= predictObjective (结果,XTable)中的点处的估计目标函数值XTable.
客观的= predictObjective (结果,XTable)
客观的
结果
XTable
[客观的,σ) = predictObjective (结果,XTable)还返回估计的标准差。
[客观的,σ) = predictObjective (结果,XTable)
σ
全部折叠
这个例子展示了如何估计一个优化分类器的交叉验证损失。
为的KNN分类器优化电离层数据,这意味着找到最小化交叉验证损失的参数。最小化最近邻大小从1到30,以及距离函数“chebychev”,“欧几里得”,闵可夫斯基的.
电离层
“chebychev”
“欧几里得”
闵可夫斯基的
为了再现性,设置随机种子,并设置AcquisitionFunctionName选项“expected-improvement-plus”.
AcquisitionFunctionName
“expected-improvement-plus”
负载电离层rng默认的num = optimizableVariable (“n”(1、30),“类型”,“整数”);dst = optimizableVariable (dst的, {“chebychev”,“欧几里得”,闵可夫斯基的},“类型”,“分类”);c = cvpartition (351“Kfold”5);有趣= @ (x) kfoldLoss (fitcknn (x, Y,“CVPartition”c“NumNeighbors”x.n,...“距离”char (x.dst),“NSMethod”,“详尽”));结果= bayesopt(有趣,(num, dst),“详细”0,...“AcquisitionFunctionName”,“expected-improvement-plus”);
创建一个要估计的点的表格。
b =分类({“chebychev”,“欧几里得”,闵可夫斯基的});n =[1, 1, 1、4、2;2);dst = [b (1), (2); b (3); b (1); b (1); b (3)];XTable =表(n, dst);
估计目标和目标在这些点的标准差。
(目标,σ)= predictObjective(结果,XTable);(XTable、表(客观、σ))
ans =6×4表N DST目标西格玛_ _________ _________ _________ 1 chebychev 0.12132 0.0068029 1欧几里得0.14052 0.0079128 1 minkowski 0.14057 0.0079117 4 chebychev 0.1227 0.0068805 2 chebychev 0.12176 0.0066739 2 minkowski 0.1437 0.0075448
BayesianOptimization
贝叶斯优化结果,指定为aBayesianOptimization对象。
预测点,指定为一个有D列的表,其中D是问题中的变量数量。函数对这些点进行预测。
数据类型:表格
表格
N
1
客观估计,返回为N——- - - - - -1向量,N行数是多少XTable.该估计值为目标函数的高斯过程模型的后验分布的均值。
目标函数的标准差,返回为N——- - - - - -1向量,N行数是多少XTable.标准差是目标函数的高斯过程模型的后验分布的标准差。
介绍了R2016b
BayesianOptimization|bayesopt
bayesopt
您有了这个示例的修改版本。您想用您的编辑打开这个示例吗?
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您的地理位置,我们建议您选择:.
您也可以从以下列表中选择网站:
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。
联系当地办事处