bayesopt

使用贝叶斯优化选择最优的机器学习超参数

在页面中全部折叠

语法

结果= bayesopt(fun,vars)

results = bayesopt(fun,vars,Name,Value)

描述

例子

结果= bayesopt (有趣的,var）的值var,减少乐趣(var)．

请注意

要在目标函数中包含额外的参数，请参见参数化功能．

例子

结果= bayesopt (有趣的,var,名称,值）修改优化流程名称,值参数。

例子

全部折叠

创建一个`BayesianOptimization`对象使用`bayesopt`

打开实时脚本

此示例演示如何创建BayesianOptimization对象，使用bayesopt尽量减少交叉验证损失。

优化KNN分类器的超参数电离层数据，即找到最小化交叉验证损失的KNN超参数。有bayesopt最小化以下超参数:

最近的邻域大小从1到30
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，设置分区，并设置AcquisitionFunctionName选项“expected-improvement-plus”．要抑制迭代显示，请设置“详细”来0．传递分区c拟合数据X而且Y到目标函数有趣的通过创建有趣的作为包含此数据的匿名函数。看到参数化功能．

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);fun = @(x)kfoldLoss(fitcknn(x,Y，)“CVPartition”c“NumNeighbors”x.n,.．.“距离”char (x.dst),“NSMethod”,“详尽”));结果= bayesopt(fun，[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。

results = BayesianOptimization with properties: ObjectiveFcn: [function_handle] variabledescription: [1x2 optimizableVariable] Options: [1x1 struct] MinObjective: 0.1197 XAtMinObjective: [1x2 table] minestimatedobjobjective: 0.1213 xatminestimatedobjobjective: [1x2 table] numobjectiveevaluationevaluts30 TotalElapsedTime: 35.9996 NextPoint: [1x2 table] XTrace: [30x2 table] ObjectiveTrace: [30x1 double] ConstraintsTrace: [] UserDataTrace: {30x1 cell} ObjectiveEvaluationTimeTrace:[30x1 double] IterationTimeTrace: [30x1 double] ErrorTrace: [30x1 double]可行性追踪:[30x1 logical]可行性概率追踪:[30x1 double] IndexOfMinimumTrace: [30x1 double] objectivminimumtrace: [30x1 double] estimatedobjectivminimumtrace: [30x1 double]

带有耦合约束的贝叶斯优化

打开脚本

耦合约束是一种只能通过评估目标函数来评估的约束。在这种情况下，目标函数是支持向量机模型的交叉验证损失。耦合约束为支持向量个数不超过100。模型细节在里面使用bayesopt优化交叉验证的分类器．

为分类创建数据。

rng默认的Grnpop = mvnrnd([1,0]，eye(2)，10);Redpop = mvnrnd([0,1]，eye(2)，10);Redpts = 0 (100,2);GRNPTS = redpts;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Cdata = [grnpts;redpts];GRP = ones(200,1);Grp (101:200) = -1;C = cvpartition(200，“KFold”10);sigma = optimizableVariable(“σ”(1 e-5, 1 e5),“转换”,“日志”）;box = optimizableVariable(“盒子”(1 e-5, 1 e5),“转换”,“日志”）;

目标函数为分区SVM模型的交叉验证损失c．耦合约束是支持向量的个数减去100.5。这确保了100个支持向量给出一个负的约束值，而101个支持向量给出一个正的值。该模型有200个数据点，因此耦合约束值的范围从-99.5(总是至少有一个支持向量)到99.5。正值表示约束不满足。

函数[objective,constraint] = mysvmfun(x,cdata,grp,c) SVMModel = fitcsvm(cdata,grp, c)“KernelFunction”,“rbf”,.．.“BoxConstraint”x.box,.．.“KernelScale”, x.sigma);cvModel = crossval(SVMModel，“CVPartition”c);objective = kfoldLoss(cvModel);constraint = sum(SVMModel.IsSupportVector)-100.5;

传递分区c拟合数据cdata而且grp到目标函数有趣的通过创建有趣的作为包含此数据的匿名函数。看到参数化功能．

Fun = @(x)mysvmfun(x,cdata,grp,c);

设置NumCoupledConstraints来1因此优化器知道存在一个耦合约束。设置用于绘制约束模型的选项。

结果= bayesopt(fun，[sigma,box]，“IsObjectiveDeterministic”,真的,.．.“NumCoupledConstraints”, 1“PlotFcn”,.．.{@plotMinObjective, @plotConstraintModels},.．.“AcquisitionFunctionName”,“expected-improvement-plus”,“详细”, 0);

大多数点会导致支持向量的不可行的数量。

并行贝叶斯优化

这个例子使用了:

打开实时脚本

利用并行目标函数评估提高贝叶斯优化的速度。

为贝叶斯优化准备变量和目标函数。

目标函数是电离层数据的交叉验证错误率，这是一个二元分类问题。使用fitcsvm作为分类器，用BoxConstraint而且KernelScale作为参数进行优化。

负载电离层box = optimizableVariable(“盒子”(1的军医,1 e3),“转换”,“日志”）;kern = optimizableVariable(“仁”(1的军医,1 e3),“转换”,“日志”）;Vars = [box,kern];fun = @(vars)kfoldLoss(fitcsvm(X,Y，)“BoxConstraint”vars.box,“KernelScale”vars.kern,.．.“Kfold”5));

利用并行贝叶斯优化算法寻找交叉验证误差最小的参数。

结果= bayesopt(fun,vars，“UseParallel”,真正的);

把目标功能复制给工人…把目标函数复制给工人。

|===============================================================================================================| | Iter | |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时| | (estim(观察) .) | | | |===============================================================================================================| | 1 | 2 |接受| 0.2735 | 0.56171 | 0.13105 | 0.13108 | 0.0002608 | 0.2227 | | 2 | 2 |接受| 0.35897 | 0.4062 |0.13105 | 0.13108 | 3.6999 |44.01 | | 3 | 2 |接受| 0.13675 | 0.42727 | 0.13105 | 0.13108 | 0.33594 | 0.39276 | | 4 | 2 |接受| 0.35897 | 0.4453 | 0.13105 | 0.13108 | 0.014127 | 449.58 | | 5 | 2 |最好的| 0.13105 | 0.45503 | 0.13105 | 0.13108 | 0.29713 | 1.0859 |

| 6 | 6 |接受| 0.35897 | 0.16605 | 0.13105 | 0.13108 | 8.1878 | 256.9 |

| 7 | 5 |最好| 0.11396 | 0.51146 | 0.11396 | 0.11395 | 8.7331 | 0.7521 | | 8 | 5 |接受| 0.14245 | 0.24943 | 0.11396 | 0.11395 | 0.0020774 | 0.022712 |

| 0.10826 | 4.0711 | 0.10826 | 0.10827 | 0.0015925 | 0.0050225 |

| 10 | 6 |接受| 0.25641 | 16.265 | 0.10826 | 0.10829 | 0.00057357 | 0.00025895 |

| 0.1339 | 15.581 | 0.10826 | 0.10829 | 1.4553 | 0.011186 |接受| 0.1339 | 15.581 | 0.10826 | 0.10829 |

| 12 | 6 |接受| 0.16809 | 19.585 | 0.10826 | 0.10828 | 0.26919 | 0.00037649 |

| 13 | 6 |接受| 0.20513 | 18.637 | 0.10826 | 0.10828 | 369.59 | 0.099122 |

| 0.12536 | 0.11382 | 0.10826 | 0.10829 | 5.7059 | 2.5642 |接受| 0.12536 | 0.11382 | 0.10826 |

| 15 | 6 |接受| 0.13675 | 2.63 | 0.10826 | 0.10828 | 984.19 | 2.2214 |

| 16 | 6 |接受| 0.12821 | 2.0743 | 0.10826 | 0.11144 | 0.0063411 | 0.0090242 |

| 17 | 6 |接受| 0.1339 | 0.1939 | 0.10826 | 0.11302 | 0.00010225 | 0.0076795 |

| 18 | 6 |接受| 0.12821 | 0.20933 | 0.10826 | 0.11376 | 7.7447 | 1.2868 |

| | 4 | 19日接受| 0.55556 | 17.564 | 0.10826 | 0.10828 | 0.0087593 | 0.00014486 | | 20 | 4 |接受| 0.1396 | 16.473 | 0.10826 | 0.10828 | 0.054844 | 0.004479  | |===============================================================================================================| | Iter | |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时|(观察)| (estim) | | ||===============================================================================================================| | 21日| 4 |接受| 0.1339 | 0.17127 | 0.10826 | 0.10828 | 9.2668 | 1.2171 |

| 22 | 4 |接受| 0.12821 | 0.089065 | 0.10826 | 0.10828 | 12.265 | 8.5455 |

| 0.12536 | 0.073586 | 0.10826 | 0.10828 | 1.3355 | 2.8392 |

| 24 | 4 |接受| 0.12821 | 0.08038 | 0.10826 | 0.10828 | 131.51 | 16.878 |

| 25 | 3 |接受| 0.11111 | 10.687 | 0.10826 | 0.10867 | 1.4795 | 0.041452 | | 26 | 3 |接受| 0.13675 | 0.18626 | 0.10826 | 0.10867 | 2.0513 | 0.70421 |

| 27 | 6 |接受| 0.12821 | 0.078559 | 0.10826 | 0.10868 | 980.04 | 44.19 |

| 28 | 5 |接受| 0.33048 | 0.089844 | 0.10826 | 0.10843 | 0.41821 | 10.208 | | 29 | 5 |接受| 0.16239 | 0.12688 | 0.10826 | 0.10843 | 172.39 | 141.43 |

| 30 | | 14.75 |接受| 0.11966 | 0.14597 | 0.10826 | 0.10846 | 639.15 |

__________________________________________________________ 优化完成。最大目标:达到30。总运行时间:48.2085秒。总目标函数评价时间:128.3472最佳观测可行点:box kern _________ _________ 0.0015925 0.0050225观测目标函数值= 0.10826估计目标函数值= 0.10846函数评价时间= 4.0711最佳估计可行点(根据模型):box kern _________ _________ 0.0015925 0.0050225估计目标函数值= 0.10846估计函数评价时间= 2.8307

返回贝叶斯模型中的最佳可行点结果通过使用bestPoint函数。使用默认条件min-visited-upper-confidence-interval，确定最佳可行点作为访问点，该访问点使目标函数值上置信区间最小。

zbest = bestPoint(结果)

zb =1×2表Box kern _________ _________ 0.0015925 0.0050225

表zb的最优估计值“BoxConstraint”而且“KernelScale”名称-值对参数。使用这些值来训练一个新的优化的分类器。

Mdl = fitcsvm(X,Y，“BoxConstraint”zbest.box,“KernelScale”, zbest.kern);

观察，最佳的参数Mdl．

Mdl.BoxConstraints (1)

Ans = 0.0016

Mdl.KernelParameters.Scale

Ans = 0.0050

输入参数

全部折叠

`有趣的`- - - - - -目标函数
函数处理|`parallel.pool.Constant`谁的`价值`是函数句柄

目标函数，指定为函数句柄或，当UseParallel名值对为真正的,一个parallel.pool.Constant(并行计算工具箱)谁的价值是函数句柄。通常情况下,有趣的返回具有可调超参数来控制训练的机器学习模型的损失度量(如错误分类错误)。有趣的有这些签名:

目标=乐趣(x)%或[目标，约束]=乐趣(x)%或[目标，约束，用户数据]=乐趣(x)

有趣的接受x1 × -D表的变量值，和返回客观的，表示目标函数值的实标量有趣的(x)．

可选地,有趣的返回:

约束，一个耦合约束违反的实向量。有关定义，请参见耦合约束．约束(j) > 0意味着约束j是违反了。约束(j) < 0意味着约束j是满意的。
用户数据，任何类型的实体(如标量、矩阵、结构或对象)。作为自定义绘图函数的示例，该函数使用用户数据,请参阅创建一个自定义Plot函数．

有关使用parallel.pool.Constant与bayesopt,请参阅把目标函数放在工人身上．

例子:@objfun

数据类型:function_handle

`var`- - - - - -变量描述
向量的`optimizableVariable`对象定义要调优的超参数

变量描述，指定为向量optimizableVariable对象定义要调优的超参数。

例子:(X1, X2),在那里X1而且X2是optimizableVariable对象

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

例子:results = bayesopt(fun,vars，' acquire - functionname '，'expected-improvement-plus')

算法控制

全部折叠

`AcquisitionFunctionName`- - - - - -函数来选择下一个评估点
`“expected-improvement-per-second-plus”`(默认)|`“expected-improvement”`|`“expected-improvement-plus”`|`“expected-improvement-per-second”`|`“lower-confidence-bound”`|`“probability-of-improvement”`

函数来选择下一个计算点，指定为列出的选项之一。

获取函数，其名称包括每秒不会产生可重复的结果，因为优化依赖于目标函数的运行时间。获取函数，其名称包括+当他们过度开发某一区域时，修改他们的行为。有关更多细节，请参见采集功能类型．

例子:“AcquisitionFunctionName”、“expected-improvement-per-second”

`IsObjectiveDeterministic`- - - - - -指定确定的目标函数
`假`(默认)|`真正的`

指定确定性目标函数，指定为假或真正的．如果有趣的是随机的(也就是说，有趣的(x)可以为相同的返回不同的值x)，然后设置IsObjectiveDeterministic来假．在这种情况下，bayesopt估计优化期间的噪声级别。

例子:“IsObjectiveDeterministic”,真的

数据类型:逻辑

`ExplorationRatio`- - - - - -探索倾向
`0．5`(默认)|积极的现实

探索的倾向，指定为正实数。适用于“expected-improvement-plus”而且“expected-improvement-per-second-plus”采集功能。看到+．

例子:“ExplorationRatio”,0.2

数据类型:双

`GPActiveSetSize`- - - - - -拟合高斯过程模型`GPActiveSetSize`或者更少的点数
`300`(默认)|正整数

拟合高斯过程模型GPActiveSetSize或者更少的点，指定为正整数。当bayesopt去过很多地方GPActiveSetSize点，使用GP模型拟合模型的后续迭代GPActiveSetSize点。bayesopt均匀随机地选择被访问点，而不替换被访问点。使用更少的点导致更快的GP模型拟合，以可能更不准确的拟合为代价。

例子:“GPActiveSetSize”,80年

数据类型:双

`UseParallel`- - - - - -并行计算
`假`(默认)|`真正的`

并行计算，指定为假(不要并行计算)或真正的(并行计算)。并行计算需要并行计算工具箱™。

bayesopt在并行工作者上并发地执行并行目标函数评估。有关算法的详细信息，请参见并行贝叶斯优化．

例子:“UseParallel”,真的

数据类型:逻辑

`ParallelMethod`- - - - - -并行工作者目标函数值的归责方法
`“clipped-model-prediction”`(默认)|`模型预测的`|`“max-observed”`|`“min-observed”`

并行工作者目标函数值的归责方法，具体为“clipped-model-prediction”,模型预测的,“max-observed”,或“min-observed”．为了生成一个新的计算点，bayesopt适用于所有点的高斯过程，包括对工人的评价点。为了适应这个过程，bayesopt为当前在工人上的点输入目标函数值。ParallelMethod指定用于imputation的方法。

“clipped-model-prediction”-计算这些数量的最大值:
- 点的平均高斯过程预测x
- 可行访问点中的最小观测目标函数
- 所有可行点中的最小模型预测
模型预测的-在该点处输入平均高斯过程预测x．
“max-observed”-在可行点之间输入最大观测目标函数值。
“min-observed”-在可行点之间输入最小观测目标函数值。

例子:“ParallelMethod”、“max-observed”

`MinWorkerUtilization`- - - - - -活动并行工作者数量的容忍度
`地板(0.8 * Nworkers)`(默认)|正整数

活动并行工作者数量的公差，指定为正整数。后bayesopt分配一个要求值的点，在计算要分配的新点之前，它检查是否小于MinWorkerUtilization工人们很活跃。如果是这样,bayesopt将边界内的随机点分配给所有可用的工作者。否则,bayesopt计算一个工人的最佳点数。bayesopt创建随机点比创建拟合点快得多，因此这种行为会导致更高的工作者利用率，但代价可能是较差的点。详情请参见并行贝叶斯优化．

例子:“MinWorkerUtilization”,3

数据类型:双

启动和停止

全部折叠

`MaxObjectiveEvaluations`- - - - - -目标函数评价极限
`30.`(默认)|正整数

目标函数求值极限，指定为正整数。

例子:“MaxObjectiveEvaluations”,60

数据类型:双

`MaxTime`- - - - - -时间限制
`正`(默认)|积极的现实

时间限制，指定为正实数。时间限制以秒为单位，用抽搐而且toc．

运行时间可能超过MaxTime因为bayesopt不会中断函数的计算。

例子:“MaxTime”,3600年

数据类型:双

`NumSeedPoints`- - - - - -初始评估点的数量
`4`(默认)|正整数

初始计算点的数目，指定为正整数。bayesopt在变量边界内随机选择这些点，根据的设置变换为每个变量设置(对于“没有”，对数间隔为“日志”）.

例子:“NumSeedPoints”,10

数据类型:双

约束

全部折叠

`XConstraintFcn`- - - - - -变量的确定性约束
`［］`(默认)|函数处理

变量上的确定性约束，指定为函数句柄。

详情请参见确定性约束- XConstraintFcn．

例子:XConstraintFcn, @xconstraint

数据类型:function_handle

`ConditionalVariableFcn`- - - - - -条件变量约束
`［］`(默认)|函数处理

条件变量约束，指定为函数句柄。

详情请参见条件约束- ConditionalVariableFcn．

例子:ConditionalVariableFcn, @condfun

数据类型:function_handle

`NumCoupledConstraints`- - - - - -耦合约束数
`0`(默认)|正整数

耦合约束的个数，指定为正整数。详情请参见耦合约束．

请注意

NumCoupledConstraints当您有耦合约束时，是必需的。

例子:“NumCoupledConstraints”,3

数据类型:双

`AreCoupledConstraintsDeterministic`- - - - - -说明耦合约束是否确定
`真正的`对于所有耦合约束(默认)|逻辑向量

指示耦合约束是否确定，指定为长度的逻辑向量NumCoupledConstraints．详情请参见耦合约束．

例子:“AreCoupledConstraintsDeterministic”(真的,假,真的)

数据类型:逻辑

报告、情节和中止

全部折叠

`详细的`- - - - - -命令行显示级别
`1`(默认)|`0`|`2`

命令行显示级别，指定为0,1,或2．

0-没有命令行显示。
1-在每次迭代时，显示迭代次数、结果报告(见下一段)、目标函数模型、目标函数评估时间、最佳(最低)观察到的目标函数值、最佳(最低)估计的目标函数值和观察到的约束值(如果有)。当并行优化时，显示还包括一个列，显示活动工人的数量，在将一个工作分配给下一个工人后计算。
每次迭代的结果报告如下所示:
- 接受-目标函数返回有限值，满足所有约束条件。
- 最好的-满足约束条件，目标函数在可行点中返回最小值。
- 错误-目标函数返回一个不是有限实标量的值。
- Infeas—至少有一个约束被违反。
2-同1，添加诊断信息，如选择下一个点的时间、模型拟合时间、“加”获取函数声明过度开发的指示，以及由于并行利用率低，并行工人被分配到随机点。

例子:“详细”,2

数据类型:双

`OutputFcn`- - - - - -每次迭代后调用的函数
`{}`(默认)|函数处理|函数句柄的单元格数组

每次迭代后调用的函数，指定为函数句柄或函数句柄的单元格数组。输出函数可以暂停求解器，并可以执行任意计算，包括创建变量或绘图。使用函数句柄的单元格数组指定几个输出函数。

有两个内置的输出函数:

@assignInBase-构造BayesianOptimization实例，并将其分配给基本工作区中的一个变量。方法选择变量名SaveVariableName名称-值对。
@saveToFile-构造BayesianOptimization实例，并将其保存到当前文件夹中的一个文件中。方法选择文件名SaveFileName名称-值对。

您可以编写自己的输出函数。详情请参见贝叶斯优化输出函数．

例子:OutputFcn, {@saveToFile @myOutputFunction}

数据类型:细胞|function_handle

`SaveFileName`- - - - - -的文件名`@saveToFile`输出函数
`“BayesoptResults.mat”`(默认)|特征向量|字符串标量

的文件名@saveToFile输出函数，指定为字符向量或字符串标量。文件名可以包含路径，例如“. . /优化/ September2.mat”．

例子:“SaveFileName”、“September2.mat”

数据类型:字符|字符串

`SaveVariableName`- - - - - -的变量名。`@assignInBase`输出函数
`“BayesoptResults”`(默认)|特征向量|字符串标量

的变量名。@assignInBase输出函数，指定为字符向量或字符串标量。

例子:“SaveVariableName”、“September2Results”

数据类型:字符|字符串

`PlotFcn`- - - - - -Plot函数在每次迭代后调用
`{@plotObjectiveModel, @plotMinObjective}`(默认)|`“所有”`|函数处理|函数句柄的单元格数组

Plot函数在每次迭代后调用，指定为“所有”、函数句柄或函数句柄的单元格数组。plot函数可以暂停求解器，并且可以执行任意计算，除了绘图之外，还可以创建变量。

不指定绘图函数为［］．

“所有”调用所有内置的plot函数。使用函数句柄的单元格数组指定几个plot函数。

下表中显示了内置的plot函数。

模型图-适用于D≤2时	描述
`@plotAcquisitionFunction`	绘制采集函数曲面。
`@plotConstraintModels`	绘制每个约束模型曲面。负值表示可行点。也可以画出P(可行的)表面。还绘制错误模型，如果它存在，范围从`1`来`1`．负值表示模型可能不会出错，正值表示模型可能出错。模型为: 绘制误差= 2*概率(误差)- 1。
`@plotObjectiveEvaluationTimeModel`	绘制目标函数评价时间模型曲面。
`@plotObjectiveModel`	画出`有趣的`模型曲面，估计位置的最小值，并对下一个位置的建议点进行评价。对于一维问题，在均值函数上下分别包住一个可信区间，在均值上下分别包住一个噪声标准差。

追踪图-适用于所有D	描述
`@plotObjective`	画出每个观察到的函数值与函数计算次数的关系。
`@plotObjectiveEvaluationTime`	绘制每个观察到的函数求值运行时与函数求值次数的关系。
`@plotMinObjective`	绘制最小观测值和估计函数值与函数计算次数的关系。
`@plotElapsedTime`	绘制三条曲线:优化的总运行时间、总功能评估时间、总建模和点选择时间，所有这些都与功能评估的数量相关。

你可以写自己的绘图函数。详情请参见贝叶斯优化图函数．

请注意

当存在耦合约束时，迭代显示和绘图函数可能会给出违反直觉的结果，如:

一个最低目标情节可以增加。
优化可以宣布一个问题是不可行的，即使它显示了一个较早的可行点。

这种行为的原因是，关于一个点是否可行的决策可能会随着优化的进行而改变。bayesopt根据其约束模型确定可行性，该模型随bayesopt评估点。因此，当最小点后来被认为是不可行的时候，“最小目标”图可以增加，迭代显示可以显示一个后来被认为是不可行的可行点。

例子:“PlotFcn”、“所有”

数据类型:字符|字符串|细胞|function_handle

初始化

全部折叠

`InitialX`- - - - - -初始评价点
`NumSeedPoints`——- - - - - -`D`边界内的随机初始点(默认)|`N`——- - - - - -`D`表格

初始评价点，指定为N——- - - - - -D表,N是评价点的个数，和D是变量的个数。

请注意

如果只有InitialX，则将其解释为要进行评估的初始点。对目标函数在InitialX．

如果还提供了任何其他初始化参数，InitialX被解释为先前的函数评估数据。没有对目标函数进行评估。任何缺失的值都设置为南．

数据类型:表格

`InitialObjective`- - - - - -对应的客观值`InitialX`
`［］`(默认)|长度,`N`向量

对应的客观值InitialX，指定为长度-N向量,N是评价点的数量。

例子:“InitialObjective”,(17;3;-12.5)

数据类型:双

`InitialConstraintViolations`- - - - - -耦合约束的约束违反
`［］`(默认)|`N`——- - - - - -`K`矩阵

对耦合约束的约束违反，指定为N——- - - - - -K矩阵,N是评价点的数量和K是耦合约束的个数。详情请参见耦合约束．

数据类型:双

`InitialErrorValues`- - - - - -错误`InitialX`
`［］`(默认)|长度,`N`带条目的向量`－1`或`1`

错误InitialX，指定为长度-N带条目的向量－1或1,在那里N是评价点的数量。指定－1没有错误，而且1一个错误。

例子:“InitialErrorValues”,[1,1,1,1,1)

数据类型:双

`InitialUserData`- - - - - -对应的初始数据`InitialX`
`［］`(默认)|长度,`N`细胞向量

对应的初始数据InitialX，指定为长度-N单元格向量，其中N是评价点的数量。

例子:InitialUserData,{2、3、1}

数据类型:细胞

`InitialObjectiveEvaluationTimes`- - - - - -的目标函数的评价次数`InitialX`
`［］`(默认)|长度,`N`向量

的目标函数的评价次数InitialX，指定为长度-N向量,N是评价点的数量。时间是以秒为单位的。

数据类型:双

`InitialIterationTimes`- - - - - -第一次的时间`N`迭代
`{}`(默认)|长度,`N`向量

第一次的时间N迭代，指定为长度-N向量,N是评价点的数量。时间是以秒为单位的。

数据类型:双

输出参数

全部折叠

`结果`-贝叶斯优化结果
`BayesianOptimization`对象

贝叶斯优化结果，返回为BayesianOptimization对象。

提示

如果存在以下条件之一，贝叶斯优化是不可重现的:
- 指定一个获取函数，其名称包含每秒，例如“expected-improvement-per-second”．的每秒修饰符表示优化取决于目标函数的运行时间。有关更多细节，请参见采集功能类型．
- 您指定并行运行贝叶斯优化。由于并行时序的不可再现性，并行贝叶斯优化不一定产生可再现的结果。有关更多细节，请参见并行贝叶斯优化．

扩展功能

自动平行支撑
通过使用并行计算工具箱™自动并行运行计算来加速代码。

若要并行运行，请设置UseParallel的名称-值参数真正的在这个函数的调用中。

有关并行计算的更多一般信息，请参见运行MATLAB函数与自动并行支持(并行计算工具箱)．

版本历史

在R2016b中引入

另请参阅

BayesianOptimization|bestPoint|optimizableVariable

bayesopt

语法

描述

例子

创建一个BayesianOptimization对象使用bayesopt

带有耦合约束的贝叶斯优化

并行贝叶斯优化

输入参数

有趣的- - - - - -目标函数函数处理|parallel.pool.Constant谁的价值是函数句柄

var- - - - - -变量描述向量的optimizableVariable对象定义要调优的超参数

名称-值参数

AcquisitionFunctionName- - - - - -函数来选择下一个评估点“expected-improvement-per-second-plus”(默认)|“expected-improvement”|“expected-improvement-plus”|“expected-improvement-per-second”|“lower-confidence-bound”|“probability-of-improvement”

IsObjectiveDeterministic- - - - - -指定确定的目标函数假(默认)|真正的

ExplorationRatio- - - - - -探索倾向0．5(默认)|积极的现实

GPActiveSetSize- - - - - -拟合高斯过程模型GPActiveSetSize或者更少的点数300(默认)|正整数

UseParallel- - - - - -并行计算假(默认)|真正的

ParallelMethod- - - - - -并行工作者目标函数值的归责方法“clipped-model-prediction”(默认)|模型预测的|“max-observed”|“min-observed”

MinWorkerUtilization- - - - - -活动并行工作者数量的容忍度地板(0.8 * Nworkers)(默认)|正整数

MaxObjectiveEvaluations- - - - - -目标函数评价极限30.(默认)|正整数

MaxTime- - - - - -时间限制正(默认)|积极的现实

NumSeedPoints- - - - - -初始评估点的数量4(默认)|正整数

XConstraintFcn- - - - - -变量的确定性约束［］(默认)|函数处理

ConditionalVariableFcn- - - - - -条件变量约束［］(默认)|函数处理

NumCoupledConstraints- - - - - -耦合约束数0(默认)|正整数

AreCoupledConstraintsDeterministic- - - - - -说明耦合约束是否确定真正的对于所有耦合约束(默认)|逻辑向量

详细的- - - - - -命令行显示级别1(默认)|0|2

OutputFcn- - - - - -每次迭代后调用的函数{}(默认)|函数处理|函数句柄的单元格数组

SaveFileName- - - - - -的文件名@saveToFile输出函数“BayesoptResults.mat”(默认)|特征向量|字符串标量

SaveVariableName- - - - - -的变量名。@assignInBase输出函数“BayesoptResults”(默认)|特征向量|字符串标量

PlotFcn- - - - - -Plot函数在每次迭代后调用{@plotObjectiveModel, @plotMinObjective}(默认)|“所有”|函数处理|函数句柄的单元格数组

InitialX- - - - - -初始评价点NumSeedPoints——- - - - - -D边界内的随机初始点(默认)|N——- - - - - -D表格

InitialObjective- - - - - -对应的客观值InitialX［］(默认)|长度,N向量

InitialConstraintViolations- - - - - -耦合约束的约束违反［］(默认)|N——- - - - - -K矩阵

InitialErrorValues- - - - - -错误InitialX［］(默认)|长度,N带条目的向量－1或1

InitialUserData- - - - - -对应的初始数据InitialX［］(默认)|长度,N细胞向量

InitialObjectiveEvaluationTimes- - - - - -的目标函数的评价次数InitialX［］(默认)|长度,N向量

InitialIterationTimes- - - - - -第一次的时间N迭代{}(默认)|长度,N向量

输出参数

结果-贝叶斯优化结果BayesianOptimization对象

更多关于

耦合约束

提示

扩展功能

自动平行支撑通过使用并行计算工具箱™自动并行运行计算来加速代码。

版本历史

另请参阅

主题

创建一个`BayesianOptimization`对象使用`bayesopt`

`有趣的`- - - - - -目标函数
函数处理|`parallel.pool.Constant`谁的`价值`是函数句柄

`var`- - - - - -变量描述
向量的`optimizableVariable`对象定义要调优的超参数

`AcquisitionFunctionName`- - - - - -函数来选择下一个评估点
`“expected-improvement-per-second-plus”`(默认)|`“expected-improvement”`|`“expected-improvement-plus”`|`“expected-improvement-per-second”`|`“lower-confidence-bound”`|`“probability-of-improvement”`

`IsObjectiveDeterministic`- - - - - -指定确定的目标函数
`假`(默认)|`真正的`

`ExplorationRatio`- - - - - -探索倾向
`0．5`(默认)|积极的现实

`GPActiveSetSize`- - - - - -拟合高斯过程模型`GPActiveSetSize`或者更少的点数
`300`(默认)|正整数

`UseParallel`- - - - - -并行计算
`假`(默认)|`真正的`

`ParallelMethod`- - - - - -并行工作者目标函数值的归责方法
`“clipped-model-prediction”`(默认)|`模型预测的`|`“max-observed”`|`“min-observed”`

`MinWorkerUtilization`- - - - - -活动并行工作者数量的容忍度
`地板(0.8 * Nworkers)`(默认)|正整数

`MaxObjectiveEvaluations`- - - - - -目标函数评价极限
`30.`(默认)|正整数

`MaxTime`- - - - - -时间限制
`正`(默认)|积极的现实

`NumSeedPoints`- - - - - -初始评估点的数量
`4`(默认)|正整数

`XConstraintFcn`- - - - - -变量的确定性约束
`［］`(默认)|函数处理

`ConditionalVariableFcn`- - - - - -条件变量约束
`［］`(默认)|函数处理

`NumCoupledConstraints`- - - - - -耦合约束数
`0`(默认)|正整数

`AreCoupledConstraintsDeterministic`- - - - - -说明耦合约束是否确定
`真正的`对于所有耦合约束(默认)|逻辑向量

`详细的`- - - - - -命令行显示级别
`1`(默认)|`0`|`2`

`OutputFcn`- - - - - -每次迭代后调用的函数
`{}`(默认)|函数处理|函数句柄的单元格数组

`SaveFileName`- - - - - -的文件名`@saveToFile`输出函数
`“BayesoptResults.mat”`(默认)|特征向量|字符串标量

`SaveVariableName`- - - - - -的变量名。`@assignInBase`输出函数
`“BayesoptResults”`(默认)|特征向量|字符串标量

`PlotFcn`- - - - - -Plot函数在每次迭代后调用
`{@plotObjectiveModel, @plotMinObjective}`(默认)|`“所有”`|函数处理|函数句柄的单元格数组

`InitialX`- - - - - -初始评价点
`NumSeedPoints`——- - - - - -`D`边界内的随机初始点(默认)|`N`——- - - - - -`D`表格

`InitialObjective`- - - - - -对应的客观值`InitialX`
`［］`(默认)|长度,`N`向量

`InitialConstraintViolations`- - - - - -耦合约束的约束违反
`［］`(默认)|`N`——- - - - - -`K`矩阵

`InitialErrorValues`- - - - - -错误`InitialX`
`［］`(默认)|长度,`N`带条目的向量`－1`或`1`

`InitialUserData`- - - - - -对应的初始数据`InitialX`
`［］`(默认)|长度,`N`细胞向量

`InitialObjectiveEvaluationTimes`- - - - - -的目标函数的评价次数`InitialX`
`［］`(默认)|长度,`N`向量

`InitialIterationTimes`- - - - - -第一次的时间`N`迭代
`{}`(默认)|长度,`N`向量

`结果`-贝叶斯优化结果
`BayesianOptimization`对象

自动平行支撑
通过使用并行计算工具箱™自动并行运行计算来加速代码。