predictObjective

在一组点上预测目标函数

在页面中全部折叠

语法

XTable客观= predictObjective(结果)

(目标,σ)= predictObjective(结果,XTable)

描述

例子

客观的= predictObjective (结果，XTable）中的点处的估计目标函数值XTable．

例子

［客观的，σ) = predictObjective (结果，XTable）还返回估计的标准差。

例子

全部折叠

预测优化分类器的交叉验证损失

打开生活的脚本

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．

为了再现性，设置随机种子，并设置AcquisitionFunctionName选项“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”）;

图中包含一个axes对象。标题为目标函数模型的轴对象包含线、面、轮廓5个类型的对象。这些对象分别表示观测点、模型均值、下一个点、模型最小可行。

图中包含一个axes对象。标题为Min objective vs. Number of function求值的axis对象包含两个类型为line的对象。这些对象表示最小观测目标，估计最小目标。

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