主要内容

SparseFiltering

稀疏滤波特征提取

在页面中全部展开

描述

SparseFiltering使用稀疏过滤学习将输入预测器映射到新预测器的转换。

创建

创建一个SparseFiltering对象使用sparsefilt函数。

属性

全部展开

此属性是只读的。

拟合历史，返回为具有两个字段的结构:

  • 迭代-从0到最终迭代的迭代次数。

  • 客观的-每个迭代对应的目标函数值。迭代0对应于任何拟合之前的初始值。

数据类型:结构体

此属性是只读的。

初始特征转换权重，返回为p——- - - - - -问矩阵,p是否传入了预测器的数量X而且问是你想要的功能的数量。这些权重是传递给创建函数的初始权重。训练数据时，数据类型为单一X是单身。

数据类型:单|双

此属性是只读的。

用于训练模型的参数，作为结构返回。类对应的字段的子集sparsefilt在模型创建期间起作用的名称-值对:

  • IterationLimit

  • VerbosityLevel

  • λ

  • 标准化

  • GradientTolerance

  • StepTolerance

详细信息请参见sparsefilt文档中的名称-值对。

数据类型:结构体

此属性是只读的。

预测器表示标准化时，返回为p——- - - - - -1向量。时，此属性为非空标准化名值对为真正的在模型创建。该值为训练数据中预测器均值的向量。训练数据时，数据类型为单一X是单身。

数据类型:单|双

此属性是只读的。

输出特征数，作为正整数返回。这个值是问参数传递给创建函数，它是要学习的请求特性数量。

数据类型:双

此属性是只读的。

输入预测器的个数，作为正整数返回。这个值是传入的预测器的数量X到创建函数。

数据类型:双

此属性是只读的。

标准化时的预测因子标准差，返回为p——- - - - - -1向量。时，此属性为非空标准化名值对为真正的在模型创建。该值是训练数据中预测器标准差的向量。训练数据时，数据类型为单一X是单身。

数据类型:单|双

此属性是只读的。

特征转换权重，返回为p——- - - - - -问矩阵,p是否传入了预测器的数量X而且问是你想要的功能的数量。训练数据时，数据类型为单一X是单身。

数据类型:单|双

对象的功能

变换 将预测器转换为提取的特征

例子

全部折叠

打开实时脚本

创建一个SparseFiltering对象。sparsefilt函数。

加载SampleImagePatches图像补丁。

数据=负载(“SampleImagePatches”）;大小(data.X)
ans =1×25000 363

共有5000个图像补丁，每个补丁包含363个特征。

从数据中提取100个特征。

rng默认的%用于重现性Q = 100;Obj = sparsefilt(数据。X,问,“IterationLimit”, 100)
警告:求解器LBFGS无法收敛到解。
obj = SparseFiltering ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] Properties, Methods

sparsefilt发出警告，因为它由于达到迭代限制而停止，而不是达到步长限制或梯度大小限制。方法，仍然可以在返回的对象中使用学到的特性变换函数。

版本历史

在R2017a中介绍

另请参阅

|||

主题

Baidu
map