Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

predictError

Predecir el valor de error en un conjunto de puntos

Descripción

ejemplo

error = predictError(results,XTable) Devuelve la media posterior de la restricción acoplada de error en los puntos en.XTable

[error,sigma] = predictError(results,XTable) también devuelve las desviaciones estándar posteriores.

Ejemplos

contraer todo

En este ejemplo se muestra la optimización de una función que produce un error cuando el punto de evaluación tiene una norma mayor que.2 El modelo de error para la función objetiva Aprende este comportamiento.

Crear variables nombradas y que van desde a.x1x2-55

var1 = optimizableVariable('x1',[-5,5]); var2 = optimizableVariable('x2',[-5,5]); vars = [var1,var2]; 

La siguiente función objetiva produce un error cuando la norma de excede 2:x = [x1,x2]

 function f = makeanerror(x) f = x.x1 - x.x2 - sqrt(4-x.x1^2-x.x2^2);  
fun = @makeanerror; 

Trace el modelo de error y el objetivo mínimo a medida que avanza la optimización. Optimice para 60 iteraciones para que el modelo de error se capacite bien. Para reproducibilidad, establezca la semilla aleatoria y utilice la función de adquisición.'expected-improvement-plus'

rng default results = bayesopt(fun,vars,'Verbose',0,'MaxObjectiveEvaluations',60,...     'AcquisitionFunctionName','expected-improvement-plus',...     'PlotFcn',{@plotMinObjective,@plotConstraintModels}); 

Predecir el error en los puntos de la línea.x1 = x2 Si el modelo de error fuera perfecto, tendría valor en cada punto donde la norma de no es más que, y el valor en todos los demás puntos.-1x21

x1 = (-5:0.5:5)'; x2 = x1; XTable = table(x1,x2); error = predictError(results,XTable); normx = sqrt(x1.^2 + x2.^2); [XTable,table(normx,error)] 
 ans =    21x4 table       x1      x2      normx       error       ____    ____    _______    _________        -5      -5     7.0711      0.94663     -4.5    -4.5      6.364      0.97396       -4      -4     5.6569      0.99125     -3.5    -3.5     4.9497       1.0033       -3      -3     4.2426       1.0018     -2.5    -2.5     3.5355      0.99627       -2      -2     2.8284       1.0043     -1.5    -1.5     2.1213      0.89886       -1      -1     1.4142       0.4746     -0.5    -0.5    0.70711    0.0042389        0       0          0     -0.16004      0.5     0.5    0.70711    -0.012397        1       1     1.4142      0.30187      1.5     1.5     2.1213      0.88588        2       2     2.8284       1.0872      2.5     2.5     3.5355        0.997        3       3     4.2426      0.99861      3.5     3.5     4.9497      0.98894        4       4     5.6569      0.98941      4.5     4.5      6.364      0.98956        5       5     7.0711      0.95549  

Argumentos de entrada

contraer todo

Resultados de la optimización Bayesiana, especificadas como un objeto.BayesianOptimization

Puntos de predicción, especificados como una tabla con columnas D, donde D es el número de variables en el problema. La función realiza sus predicciones sobre estos puntos.

Tipos de datos: table

Argumentos de salida

contraer todo

Media de restricción de acoplamiento de error, devuelta como un vector, donde es el número de filas de.N1NXTable La media es la media posterior de la restricción acoplada de error en los puntos en.XTable

considera que su función objetiva devuelva un error si devuelve algo que no sea un escalar real finito.bayesopt Ver.Errores de función objetiva

Desviación estándar de restricción de error acoplado, devuelta como un vector, donde es el número de filas de.N1NXTable

Consulte también

|

Introducido en R2016b